借助 Ultralytics YOLOv8 和 OpenVINO 革新排队管理
回顾 Intel 在 YOLO Vision 2023 上的演讲要点：使用 Ultralytics YOLOv8 进行实时队列管理、基于区域的计数，以及 OpenVINO 部署。
Nuvola Ladi2 分钟阅读
在 YOLO Vision 2023 (YV23) 上，Intel 软件布道师 Adrian Boguszewski 发表了主题演讲，介绍如何使用 Ultralytics YOLOv8 和 Intel 的 OpenVINO 改进排队管理。以下是演讲中的要点。
队列管理为何重要#
Adrian 首先谈到了一个普遍存在的难题：人工管理队列。他介绍了人工计数的低效之处，并指出了自动化解决方案的必要性。
他提出的方案是使用视频流和深度学习算法实现流程自动化。
介绍智能队列管理#
Adrian 的智能队列管理方案使用 AI 实时检测和监控队列。通过定义感兴趣区域并统计其中的人数，系统可以在队列超出容量时提醒店员。
成功的四大支柱#
这个解决方案分为 4 个简单步骤：
- 视频采集：使用标准视频流或实时视频源采集实时数据。
- 客户检测：使用 Ultralytics YOLOv8 实现精准、高效的客户检测。
- 计数与告警： 统计指定区域内的客户人数，并在队列超出容量时触发告警。
- 部署：从单板计算机到企业级硬件，都可以使用 OpenVINO 部署该解决方案。
借助 OpenVINO 为开发者赋能#
Adrian 介绍了 Intel 的 OpenVINO，这是一款用于优化和部署 AI 推理的开源工具套件。OpenVINO 支持多种框架和硬件，旨在为不同平台带来更出色的性能和一致的部署体验。
轻松实现优化#
Adrian 还介绍了一项关键优化技术：神经网络压缩。借助训练后量化等技术，可以在准确率损失极小的情况下压缩模型，从而加快推理速度。
Ultralytics YOLOv8 为包括目标检测、分割、分类和姿态估计在内的任务提供了经过优化的高速模型。随着 YOLOv8.1 发布，这些任务还增加了旋转框 (OBB) 检测。
OBB 检测能够处理不同角度和旋转状态的物体，因此非常适合检测倾斜物体，例如航空遥感图像中的物体和文字。
由于旋转框能够更紧密地贴合物体，OBB 可以减少每个物体周围的背景干扰，这也有利于后续的分类模型。
从理论到实践：现场演示#
演讲的亮点是一场现场演示。Adrian 只用了几行代码，就展示了实时客户计数、自动告警和性能基准测试。
图 1. Adrian Boguszewski 在马德里 Google for Startups Campus 举行的 YOLO Vision 2023 上演讲。
性能至关重要#
Intel 硬件上的基准测试展示了这一解决方案在实际场景中的适用性，其性能从 Intel Core i7 CPU 到 Intel Xeon 服务器都十分出色。
轻松部署#
演讲期间，我们介绍了两种部署方式：面向技术熟练用户的脚本，以及面向偏好动手实践用户的 Jupyter 笔记本。详尽的文档和循序渐进的说明让部署过程十分简单。
总结！#
Adrian 在演讲结束时邀请开发者使用这样的开源项目和 Intel Edge AI 参考套件，构建自己的智能队列管理系统。
Intel 的赞助以及 Adrian 在 YV23 上的演讲，彰显了 AI 社区协作的价值。
在 YouTube 上观看完整演讲。
作者
评论
提出问题、分享你的结果，或帮助其他人。
