登录社区云，与社区用户共同成长
邀请您加入社区
【开篇寄语】本文为 OpenVINO™ 社区开发者的实践分享，内容基于作者在真实项目中的经验整理。作为开源AI工具套件，OpenVINO™欢迎大家结合自身场景验证、交流、分享，共同推动技术实践进步。
作为开发者，不管你是否接触跟开源相关的事情，在过去的2021年应该能感受到开源“发烫”的热度。2022年，开源大潮继续滚滚向前。2022年3月30日，开放原子开源基金会发布了具有“里程碑式”的OpenHarmony 3.1 Release版本。OpenHarmony是由开放原子开源基金会孵化及运营的开源项目，目标是面向全场景、全连接、全智能时代，为下一个时代提供先进的泛智能终端操作系统。那么，这到
OpenVINO, CPU AI, DevCloud, AI算力评估工具
QWen2.5-VL视觉多模态大模型支持通过生成边框或点来精确定位图像中的对象，并能为坐标和属性提供稳定的 JSON 输出，不仅能熟练识别花、鸟、鱼和昆虫等常见物体、还可以精准检测多种水果、交通工具、动物与人类，可以零代码实现超过300种以上的对象检测并输出它们的JSON格式坐标位置信息与标签信息。QWen2.5-VL对象检测依赖于正确的提示词与输入格式，qwen2.5_3b当前支持的图像分辨率从
本文介绍了将PyTorch模型转换为ONNX格式并部署到OpenVINO框架的完整流程。首先使用PyTorch将模型导出为ONNX格式，支持动态维度输入输出；然后通过OpenVINO工具将ONNX模型转换为IR格式（xml和bin文件）；最后展示了在OpenVINO环境下加载IR模型进行视频推理的C++实现，包括模型编译、推理请求创建和结果可视化。整个过程实现了从深度学习模型到实际应用的部署，并展
如果用一句话概括这一年的 DevCon：我们不只聊模型有多强，而是把“从模型到应用、从 Demo 到可部署服务”的坑与路，都铺给你了——让你在 CPU / GPU / NPU 上都能更快、更稳地把 AI 跑起来。
别看只有十几行，里面藏着几个关键点：预测时域N决定了控制器能看多远（相当于船长预判未来10步的水流变化），Q矩阵给位置误差加权重（X/Y轴偏差罚得比航向角狠），R矩阵则限制舵角变化幅度（防止舵机抽风）。多智能体协同控制这玩意儿听起来高大上，实际拆开看就是把一群无人车、无人机、无人船当狼群来训练——得让它们知道啥时候该冲锋，啥时候得排队。今天咱们就拿无人艇编队举个栗子，聊聊怎么用模型预测控制（MPC
点击 “C/C++” → “常规” → “附加包含目录” ，添加三个库的 头文件（.h/.hpp）所在目录。在 “链接器” -> “常规” -> “附加库目录” 中，添加三个库的 库文件（.lib）所在目录。在 “链接器” -> “输入” -> “附加依赖项” 中，添加需要链接的 具体库文件名（.lib）。这一步告诉链接器具体要链接哪些库。程序运行时需要找到对应的。
本文详细介绍了如何使用 OpenVINO™ 部署通义Z-Image-Turbo 模型，OpenVINO™为 Z-Image-Turbo 提供了显著的性能提升，作为轻量化模型的代表，Z-Image-Turbo特别适合在 Intel CPU/GPU 上进行推理部署。
本文介绍了基于OpenVINO的本地AI模型部署方案，包含前端交互界面和后端服务器实现。前端采用HTML/CSS/JavaScript构建聊天界面，支持状态检测和消息交互；后端使用Flask框架提供REST API，通过OpenVINO GenAI实现模型推理优化。系统在CPU上运行DeepSeek-R1-8B量化模型，内存占用约10GB，推理耗时40秒左右。文章详细展示了前后端代码实现，包括模型
本文探讨了在无独立显卡环境下部署大语言模型的三种方案：Ollama（简单易用但定制性差）、vLLM（GPU优化但CPU兼容性差）和OpenVINO（针对Intel CPU优化）。作者基于i7-13700H/32G内存环境，选择OpenVINO方案部署Qwen3-8B模型，详细介绍了使用Optimum-Intel工具进行INT4量化的转换过程（包括命令行和Python接口两种方式），以及转换前后的目
ONNX：适合模型跨平台迁移和统一格式，配合 ONNX Runtime 可通用部署。OpenVINO：Intel 硬件优选，边缘计算、工业视觉等场景推荐。TensorRT：NVIDIA GPU 推理加速首选，适合对性能极致要求的场景。ncnn：移动端、嵌入式设备首选，轻量高效，适合本地 AI 应用。
通过AI+算力的结合，Google能够提供高效的机器学习和深度学习服务，为用户提供更智能、个性化的搜索结果、语音识别和图像处理等功能。通过AI+算力的结合，Tesla的自动驾驶系统能够实现精准的环境感知和智能决策，提高行驶安全性和驾驶体验。综上所述，AI+算力的结合将为人工智能带来巨大的推动力和创新空间。通过更强大的算力支持，人工智能系统能够处理更复杂的任务、学习更庞大的数据集，并取得更准确和智能
【深度学习】【OpenVINO】【C++】模型转化、环境搭建以及模型部署的详细教程
本文介绍了利用OpenVINO框架在英特尔AI-PC上开发的端侧AI开放文字游戏“赫奇帕奇的回响”。该游戏基于《哈利波特》世界观，通过通义千问8B量化模型作为游戏引擎，实现开放式情节生成。系统采用Gradio构建界面，并整合Z-Image-Turbo模型实现情节插图生成。实践表明，在Intel Ultra 9285H处理器上，OpenVINO能有效加速8B模型的推理，提供流畅的游戏体验。文章详细介
在真正开讲之前需要补充一下“16. 基于 CPU 的转换、量化实现”和“18. 持续优化模型微调”中遗漏的信息。
这篇文章，我们就用一台 搭载 Intel® Ultra9 275HX处理器（代号Arrow Lake）的 AI PC，配合 Intel® RealSense™ D455 深度相机和 OpenVINO™ 工具套件，搭建一个简单但实用的 demo。
这篇文章，我们就用一台 搭载 Intel® Ultra9 275HX处理器（代号Arrow Lake）的AI PC，配合 Intel® RealSense™ D455 深度相机和OpenVINO™ 工具套件，搭建一个简单但实用的 demo。
从全新的生成式 AI 能力、不断扩展的 NPU 支持，到持续增强的模型性能，每一次发布都在前一版本的基础上迭代升级，逐步构建出一个完整的工具包，赋能像您这样的开发者。现在，让我们一起看看本次版本如何继续推动我们的使命——让 AI 模型在 Intel 硬件上的部署变得更快、更高效、更易用。需要注意的是，加密后的 blob 在运行时是只读的——若需要更新模型权重，则必须基于解密后的模型重新导出。的支持
让我们一起看看本次版本如何继续推动我们的使命——让 AI 模型在 Intel 硬件上的部署变得更快、更高效、更易用。
现在的我依然会在用AI写邮件时收到"您有新的表情包已下载"的通知，但正是这些笨拙的时刻，让我们记得科技终究是工具。就像我那个坚持用AI写日记的室友，结果日记本里全是"今天心情：43.7%开心，56.3%系统错误"。所以啊，与其担心AI取代人类，不如担心它会不会先把自己搞崩溃。毕竟连最聪明的算法，都学不会在咖啡里少放糖。
文章来源于英特尔物联网，作者英特尔物联网行业创新大使 王立奇1.1什么是 LabVIEWLabVIEW 是测试测量与自动化行业常用的图形化开发环境，其优点有：学习容易入门快，开发计算机视觉应用程序简单方便；自带机器视觉函数库（Vision Development 模块），并提供支持 GigE、USB3 Vision 等标准总线的第三方相机的图像采集驱动程序（NI-IMAQdx），和 OpenCV
openvino
——openvino
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
英特尔开发套件专区
深开鸿 技术专区
九章云极普惠算力
火山引擎 ADG 社区
2048 AI社区
openvela
昇腾开源生态专区
魔珐星云开发社区
