簡易分類
深度學習分類函式庫
- 包含分類器訓練與影像分類功能
- 檢測瑕疵產品
- 將產品分類至不同類別
- 支援資料擴增技術
- 兼容 CPU 與 GPU 處理
- 深度學習工作室：提供資料集建立、訓練與評估功能
- 作為深度學習套件的一部分提供
- 另提供經濟實惠的純推論授權方案
描述
何謂深度學習？
神經網路是受構成人類大腦的生物神經網路啟發而發展出的計算系統。卷積神經網路（CNN）屬於深度前饋人工神經網路的一類，最常應用於影像分析。深度學習運用大型卷積神經網路來解決那些難以或無法透過傳統電腦視覺演算法處理的複雜問題。 深度學習演算法通常透過範例學習，因此可能更易於使用。使用者無需自行構思分類或檢測零件的方法，只需在初始訓練階段展示大量待檢測零件的圖像，系統便能自動學習。成功訓練後，即可運用其進行零件分類、缺陷檢測與分割。
EasyClassify 的用途是什麼？
深度學習通常不適用於需要精確測量或量測的應用場景。當某些類型的錯誤（例如假陰性）完全不可接受時，亦不建議採用此技術。當缺陷難以明確界定時，例如分類依賴於不同尺度與位置的複雜形狀與紋理時，EasyClassify的表現優於傳統機器視覺。此外，深度學習的「以例學習」範式亦能縮短電腦視覺流程的開發週期。
資料擴充
深度學習的運作原理是透過訓練神經網路，使其學會如何分類一組參考圖像。此過程的效能高度取決於參考圖像集的代表性與完整性。深度學習套件採用「資料擴增」技術，能在可編程的限制範圍內，透過修改現有參考圖像（例如平移、旋轉、縮放）來生成額外參考圖像。此機制使深度學習套件得以僅使用每類別一百張訓練圖像即可運作。
表現
深度學習通常需要龐大的運算能力，尤其在學習階段。深度學習套件支援標準CPU，並能自動偵測電腦中的Nvidia CUDA相容GPU。使用單張GPU通常可將學習與處理階段的速度提升100倍。
缺貨檢測
超出分布檢測（OOD）是EasyClassify的一項功能，用於識別與模型訓練數據存在顯著差異的圖像，此類圖像極可能被錯誤分類。OOD是構建適用於現實世界應用的穩健可靠深度學習分類系統的重要特徵。
經濟實惠的推論授權
通常，在生產現場部署深度學習僅需執行推論處理。 推論是指運用預先訓練的模型來檢視、分析新取得影像的過程。在多數情境中，訓練屬於離線流程。訓練可透過Open eVision API執行，並需取得深度學習套件授權。此外，亦可免費使用深度學習工作室應用程式進行訓練。僅推論授權作為深度學習套件授權的替代方案，能協助客戶部署成本優化的深度學習解決方案。
其他福利
新授權系統
Neo 是全新的授權系統。它具備可靠性與尖端技術，現已可用於儲存 Open eVision 與 eGrabber 的授權。Neo 允許您選擇授權的啟用位置，無論是 Neo 硬體授權卡或 Neo 軟體容器皆可。您先購買授權，後續再決定啟用方式。
Neo 硬體授權器具備堅固耐用的硬體結構，可靈活在不同電腦間轉移使用。Neo 軟體授權容器則無需專用硬體，而是與其啟用所在的電腦綁定。
Neo隨附專屬的Neo授權管理器，提供兩種操作模式：直覺易用的圖形化使用者介面，以及可自動化執行Neo授權流程的命令列介面。
所有適用於 Windows 與 Linux 的 eVision 函式庫
- Microsoft Windows 11、10 適用於 x86-64 (64 位元) 處理器架構
- Microsoft Windows 11、10 IoT Enterprise 適用於 x86_64 系統
- 適用於 x86-64（64 位元）及 ARMv8-A（64 位元）處理器架構的 Linux，需具備 glibc 2.18 或更高版本
開啟eVision深度學習工作室
Open eVision 包含免費的 Deep Learning Studio 應用程式。此應用程式在使用者建立資料集以及訓練與測試深度學習工具時提供協助。針對 EasySegment，Deep Learning Studio 整合了標註工具，能將預測結果轉化為地面真實標註。它還允許使用者透過圖形化配置工具以符合性能需求。例如，訓練完成後，使用者可選擇在更優異的缺陷檢測率與更優異的良品檢測率之間取得平衡。
