ASUS Corporate Stable Model (CSM) 計畫的目的是提供穩定的主機板和迷你電腦給世界各地的企業。
16 年來,華碩主機板 CSM 計畫持續在美國和加拿大地區實施,數千名客戶和供應商已成為 ASUS CSM
合作夥伴網絡的一份子,是目前市面上最屹立不搖的商用主機板計畫!
其設計目的是為任何產業的大型企業、中小型企業及資料中心提供便利、高效率、安全且省成本的解決方案。
藉由 ASUS Control Center Express 的協助,您的組織將可在極具挑戰性的現代 IT 環境中獲得成功。
華碩遠端管理中心ACC 可以監控 ASUS 伺服器、工作站以及筆記型電腦、桌上型電腦、
All-in-One (AiO) 電腦、精簡型用戶端及數位看板…等商用產品。
在 ASUS Control Center 的協助下,企業得以蓄勢待發,迎合現代 IT 環境中最富挑戰性的需求。
ASUS 為全球第一的主機板品牌,具備優異的材料供應靈活性,能迅速反應,預測變化。
ASUS CSM 讓您無須擔憂材料供應中斷的問題。
請聯絡 ASUS 代表,深入瞭解需要長達 36 個月供應保證的計畫*。
已確認的採購單 (PO) 及最少下單數量 (MOQ) 亦適用供應保證。
ASUS 會在產品改版前發出工程變更通知 (ECN),在產品生命週期結束前六個月發出生命週期結束 (EOL) 通知,
在產品生命週期結束前三個月發出最後下單通知 (LBO),讓貴組織有轉換產品的時間。
*迷你電腦的 ECN Control 會應要求提供。一系列的AI 學習體驗活動包含AI 線上課程研習、AI 一日實作營以及國際大廠企業參訪,主辦單位攜手國際大廠包括台灣微軟、Google台灣、Amazon Web Services、鴻海教育基金會、聯發科技MediaTek、華碩電腦等共6家廠商共同研發出適合高中職生的AI 課程,並且透過於全台各地舉辦的一日實作營,扎根在地學生之AI 素養,讓同學具備未來產業所需的核心能力,以此加速培育產業核心人才,為台灣產業帶來創新的數位轉型動能。
ASUS Tinker Edge T
ASUS Tinker Edge系列是一款超小型單板電腦(SBC),提供低功耗及出色的機器學習能力給終端裝置,讓開發者更輕鬆打造獨一無二的AI物聯網裝置。ASUS Tinker Edge T搭載由Google設計的Edge TPU,是一種低功耗、低成本的ASIC晶片,而且體積非常小,讓邊緣裝置(Edge device)也可利用Edge TPU進行AI機器學習推論。
什麼是Teachable Machine?
Teachable Machine是一個網頁工具,讓使用者可以在不接觸程式碼的情況下,迅速且簡單的為自己開發的應用程式,訓練機器學習模型,可以用攝影機拍照分類,訓練想辨識的物體、人體的動作姿勢,也可以辨識聲音等更進階的模型。使用者訓練完自訂的主題後,可以匯出訓練後的模型結果,讓自己開發的應用程式可以在不連接網路的狀況下繼續使用訓練結果,非常方便,日後使用該模型時不會捆綁於連線
網路與該網站工具。而匯出的模型檔案格式,有機器學習經驗的開發者也不陌生,是目前機器學習主要的Google學習框架Tensorflow、TensorflowLite, 這讓現今多樣化的嵌入式系統開發上,導入機器學習技術,降低不少門檻。
課程內容
實作課程內容包含了深度學習與電腦視覺邊緣運算介紹、ASUS視覺套件介紹、Tinker Edge T基礎操作與指令、利用物件偵測分類識別來設計機器學習專題,並結合馬達等電子互動設計,最後由講師指導小組進行專題製作與報告。透過一系列實作課程將可彰顯台灣學生非凡學習力與創造力,展現AI人才向下扎根的可行性與亮眼成效。
於ASUS Tinker Edge T上,透過深度學習與推論來實現即時姿勢偵測。PoseNet 是一種視覺模型,可以藉由估測影像或影片中人們關鍵身體部位的位置來捕捉人體姿勢,而這樣的演算模型是不會對影像或影片中的人們進行識別或辨認的。
姿態辨識已廣泛地應用於各類領域,像是體能訓練、環境感知、人機互動、監控系統與長輩照護等等。對65歲以上的長輩而言,跌倒會造成髖部骨折,其他部位骨折與頭部傷害。姿勢偵測技術極有潛力可以幫醫院與照服員於照護期間得知年長患者何時離床離椅,因而能及時提供協助,這項技術特別有助於面臨人力短缺的醫院與照護機構。Google Coral PoseNet已內建於Tinker Edge T映像檔中,以下將以一個簡短的實例說明如何使用PoseNet進行即時姿勢偵測。
於終端機視窗中鍵入以下命令切換至專案目錄,並執行簡易攝影範例,它會將鏡頭影像以串流方式經由PoseNet並描繪出姿態骨架疊加於既有影像之上。
$ cd /usr/share/project-posenet $ python3 pose_camera.py --videosrc=/dev/video2 |
其中的引數 –videosrc 指定了攝影機影像來源,在此範例 ,/dev/video2 即是指我們剛剛連接上的USB攝影機.
想瞭解更多可用引數的資訊,鍵入 –h 並依以下述命令執行即可。
$ python3 pose_camera.py -h usage: pose_camera.py [-h] [--mirror] [--model MODEL] [--res {480x360,640x480,1280x720}] [--videosrc VIDEOSRC] [--h264] optional arguments: -h, --help show this help message and exit --mirror flip video horizontally (default: False) --model MODEL .tflite model path. (default: None) --res {480x360,640x480,1280x720} Resolution (default: 640x480) --videosrc VIDEOSRC Which video source to use (default: /dev/video0) --h264 Use video/x-h264 input (default: False) |
透過姿勢判斷模型PoseNet來偵測人物影像,並使用機器學習進行姿勢判斷,可運用在復健或是健身運動等動作的品質評量上。有時候重複一個動作太多次,最後可能已大幅偏離正確姿勢,如果身邊剛好沒有醫護人員或教練協助,自己可能也不自知,導致訓練效果不彰。這時如果能靠電腦辨識正確的姿勢,並提醒我們改正,效果自然會更好。此外,在醫療及居家照護領域的應用也能藉由影像辨識達到類似的效果。