身近なエッジで AI を活用する

OpenVINO™ ツールキットで AI 活用の可能性を広げる

身近にあるさまざまなデバイスに AI が導入されれば、私たちの生活に大きな変化が生まれます。インテルは、OpenVINO™ ツールキットを使用したエッジでの AI 開発をサポートする、「エッジ AI リファレンス・キット」を用意しました。このキットでは、具体的なユースケースを開発するための Jupyter Notebook やハウツービデオ、具体的なチュートリアルをまとめて確認できます。

エッジ AI リファレンス・キット

エッジ AI 開発のリソースをまとめた「エッジ AI リファレンス・キット」では、OpenVINO™ ツールキットを使用して、自身で AI ソリューションを構築するだけでなく、AI ソリューションを既存のアプリケーションに統合することもできます。一度コンポーネントを構築してしまえば、さまざまな業界で使用可能な応用力の高い、カスタム AI 推論を行うアプリケーションの基盤として活用できます。ぜひ、OpenVINO™ ツールキットによる「エッジ AI リファレンス・キット」のベスト・プラクティスを活用して、独自のエッジ AI ソリューションを開発してみてください。

 

メーターをスキャンしてスマート化— 物体検出とセグメンテーション

アナログメーターに表示される数値を、コンピューター・ビジョンで読み取る「スマートメーター」を構築します。アナログメーターを使用している製造業やエネルギー分野における目視での検針業務を自動化します。アナログ情報をデジタルデータに自動変換し、分析して精度と信頼性を高める AI 推論機能です。


 

ソリューションの概要 (2:46)

「スマートメーター」の、物体検出とセグメンテーションについて実装例と実用例を解説します。


 

技術の活用 (8:50)

「スマートメーター」のサンプルコードについて理解を深め、活用を始めましょう。

インテリジェントな待機列管理 — YOLO* v8 による物体検出とカウント

動画から並んでいる人を検出してカウントし、小売店のレジ待ちの状態を監視する「待機列管理アプリ」を構築します。小売やイベントなどの待機列の人数を、コンピューター・ビジョンでカウントし分析することで、待機列管理の手間を最小化します。このエッジ AI リファレンス・キットで構築できるのは、物体検出 AI、カウント、意思決定を使用した、汎用性の高い物体検出の AI 推論機能です。


 

ソリューションの概要 (2:40)

「待機列監視アプリ」を開発する前段階として、YOLO* v8 を使用した物体検出についての実装例と実用例を解説します。


 

技術の活用 (19:32)

「待機列監視アプリ」のサンプルコードについて解説します。このビデオで使用方法を確認して、実際のサンプルでお試しください。

OpenVINO™ ツールキットとは

OpenVINO™ ツールキットは、AI 推論アプリケーションの開発を手軽に始められるオープンソースの汎用的な推論エンジンです。
  • 共通 API を使用して、利用可能な処理能力を最大限に引き出すことで、一般的なハードウェア・プラットフォーム上での AI 推論を高速化し、導入を最適化
  • さまざまな分野で使用可能な、幅広いトレーニング済みモデルを、TensorFlow や PyTorch などの良く使用されるフレームワークで選択可能
  • ポスト・トレーニング量子化手法を使用して、モデルの再トレーニングや微調整が可能

 

インテルの推論エキスパート

インテルの AI に関するエキスパート・チームが、OpenVINO™ ツールキットを活用したディープラーニングや AI 推論ソリューションを、実環境のユースケース含めて、コミュニティー・サイト Medium で紹介しています。
 

 

 

 

Raymond Lo

コンピューター・エンジニアリング博士、AI イノベーション実業家、米国サンノゼ

 

Paula Ramos

エンジニアリング博士、コンピューター・ビジョン科学者、米国ノースカロライナ州

 

Anisha Udayakumar

AI イノベーション・コンサルタント、システムエンジニア、インド・チェンナイ

 

 

 

Adrian Boguszewski

コンピューター・サイエンス・エンジニア、ディープラーニング専門家、イングランド・スウィンドン

 

Zhuo Wu

電子工学博士、教授兼研究科学者、中国・上海

OpenVINO™ ツールキットを使用した事例

OpenVINO™ ツールキットでビジネスを成功させるため、インテルがパートナー企業とどのように協力しているかをご覧ください。

 

日本での事例を見る

 

Megh Computing

Megh Computing は、AI 搭載ビデオ分析を使用して、オペレーションを最適化しています。

PreciTaste*

PreciTaste* は、AI を使用して、クイック・サービス・レストラン (QSR) の食品生産を正確に予測しています。

Hellometer

カメラ搭載ドライブスルー・メーターは、QSR が食品生産を最適化するのに役立ちます。

 

 

AI 推論ソリューション開発に役立つ最新情報

このフォームから登録すると、AI 推論アプリケーションの開発を手軽に始められる OpenVINO™ ツールキットに関する、インテルからの最新情報を得られます。以下のような特典も含みます。

• 製品の最新アップデートやリリースへの早期アクセス
• ウェビナーやイベントへの特別招待
• トレーニングやチュートリアルの資料
• 開発コンテストの告知
• その他インテルからの最新情報

このフォームを送信することにより、お客様は、年齢が 18 歳以上であり、個人情報がインテルと共有され、このビジネスリクエストに使用されることに同意したものとみなされます。インテルのウェブサイトとお知らせには、 プライバシー通知 と 利用規約 が適用されます。
このフォームを送信することにより、お客様は、年齢が 18 歳以上であり、個人情報がインテルと共有され、このビジネスリクエストに使用されることに同意したものとみなされます。また、インテル® テクノロジーや業界トレンドの最新ニュースを電子メールや電話で受け取るために、登録を申し込むことに同意したものとします。登録はいつでも解除できます。インテルのウェブサイトとお知らせには、 プライバシー通知 と 利用規約 が適用されます。

サポート、リソース、よくある質問

OpenVINO™ ツールキットの問題については、GitHub リポジトリーでご報告ください。エッジ AI リファレンス・キットに関する質問やお問い合わせは、GitHub の OpenVINO™ ノートブックのリポジトリーまたはインテルのサポートフォーラムのディスカッションにご参加ください。

「エッジ AI リファレンス・キット」は、AI ソリューション開発を支援する目的でインテルより提供されています。これらのキットでは、一般的なプラットフォームで利用可能な AI を加速する、事前にトレーニングされた最適化済みモデルを使用しており、詳細なドキュメント、ハウツービデオ、コードサンプル、GitHub リポジトリーが含まれています。「エッジ AI リファレンス・キット」を活用することで、AI ソリューションの導入や採用プロセスを高速化して、本版環境への投入時間を短縮することができます。

これらのキットで使用されている OpenVINO™ ツールキットは、AI ユースケースのモデル圧縮のプロセスを加速し、さまざまなハードウェア・プラットフォームに導入できるので、AI 推論ソリューションの開発が迅速化し、アイデアをより効率的に実世界の AI アプリケーションへと変換できます。

あります。OpenVINO™ ツールキットは、モデルをコンパイルしてさまざまなデバイスで実行できるので、コードを一度書けば、モデルをさまざまな CPU、GPU、VPU、その他のアクセラレーターに導入できる柔軟性があります。

可能な限り最高のパフォーマンスを得るには、システム上で最新の GPU ドライバーを適切にセットアップしてインストールすることが重要です。インテルの GPU ドライバーを Windows および Ubuntu にインストールする方法にあるガイドを使用してください。

注 ガイドを用いてドライバーをインストールし、システムをセットアップした後で、GPU ベースの AI 推論ソリューション向け OpenVINO™ ツールキットを使用してください。

このガイドは、Ubuntu 22.04 LTS および Windows 11 のシステム上で、インテル® Arc™ グラフィックスとインテル® データセンター GPU フレックス・シリーズでテストされました。OpenVINO™ ツールキットの GPU プラグインを使用し、インテル® GPU に推論をオフロードするには、インテル® グラフィックス・ドライバーをシステム上で適切に構成する必要があります。

インテルによるディスクリート GPU の新しいファミリーは、ゲームだけでなく、AI をエッジやサーバー上で実行できます。

OpenVINO™ ツールキットのプラグイン・アーキテクチャーは、サードパーティーのハードウェア上でも AI 推論の最適化をサポートしています。こちらから、サポートされているデバイスの全リストをご覧ください。

OpenVINO™ ツールキットは、計算負荷が高いディープラーニング・モデルを、精度への影響を最小限に抑えつつ実行します。第 12 世代以降のインテル® Core™ プロセッサー上においては、自動デバイスプラグインやスレッド・スケジューリングなどの、効率性を最大限に引き出す機能を備えています。

OpenVINO™ ツールキットは、複数のフレームワークや標準化されたプロトコルと非常に高い互換性を備えています。OpenVINO™ モデル・サーバーは、最新のワークロード向けに、導入をよりスケーラブルにするために、TensorFlow Serving や KServe と同じアーキテクチャーおよび API を使用できます。

OpenVINO™ ツールキットは、モデル変換 API と NNCF により、パフォーマンスを強化しレイテンシーを低減するための最適化手法をいくつか提供しています。入力データを処理し、予測を生成して出力するための時間を最小限に抑えます。意思決定は迅速で、システムとのやり取りはより効率的です。

OpenVINO™ ツールキットの「モデル最適化ガイド」では、量子化を意識したトレーニングやポストトレーニング量子化など、さまざまなモデル圧縮のオプションを紹介しています。

OpenVINO™ ツールキットの一部である、OpenVINO™ モデル・サーバーは、モデルをホストし、幅広いハードウェア上でアプリケーションを効率的に導入できます。コードを書き換えることなく、AI 推論アクセラレーションを追加できます。

  • モデルは、KServe でも使用されている共通 API を通じて、標準的なネットワーク・プロトコルでアクセスできます。
  • リモート AI 推論により、必要な更新回数が少ない、API 呼び出しを重視する軽量のクライアントを作成できます。
  • アプリケーションは、モデル・フレームワーク、ハードウェア、およびインフラストラクチャーから独立して開発、保守できます。
  • クライアント・アプリケーションを通じてトポロジーや重みが公開されないため、モデルへのアクセス制御が容易です。
  • この導入構造により、より効率的な水平および垂直 AI 推論のスケーリングが可能です。

包括的なツールとリソースが提供されているため、OpenVINO™ ツールキットを使用した AI 推論や AI モデルの実環境でのパフォーマンスを最適化しながら、ワークフローを効率化できます。