首先，没有人感到惊讶，深度学习仍然是该领域的主导力量。它从根本上改变了计算机视觉的可能性，以及我们如何做到这一点。它使开发更多地由数据驱动而不是代码驱动，它改变了我们使用的工具和技术。但数据是一种痛苦。你从哪里得到它?你需要多少?你如何得到更多?你怎么知道你有正确的数据?

复杂的视觉管道

(资料图)

其次，尽管发生了深度学习革命，但产品开发人员越来越意识到深度神经网络 (DNN) 本身并不能构成产品。现实世界的产品需要复杂的视觉管道，通常包括相机和图像处理、DSP、卡尔曼滤波器、经典计算机视觉，甚至可能是多个 DNN，所有这些都以正确的方式组合在一起以获得您需要的结果。

民主化发展

第三个趋势是民主化。开发嵌入式视觉应用程序比以往任何时候都容易;由于工具和库的激增，您不必在汇编或 C 语言中从头开始开发算法。Edge Impulse就是一个很好的例子，它提供易于使用的软件工具，使开发人员能够快速轻松地开发 AI模型并将它们部署在低成本的微处理器上——只需要很少的编码。

此外，我们开始看到供应商加紧支持整个管道(莱迪思和高通就是很好的例子)。不难想象，在未来，一家拥有强大工具用于管道的一个组件(例如 DNN)但其他关键部分没有任何东西会失去市场份额的半导体公司将失去提供更完整解决方案的竞争对手的市场份额。

实用系统的兴起

第四个是我所说的该领域的成熟：我们正在超越“哇，这太酷了”阶段，并且正在询问我们如何以商业上可行和可维护的方式部署这项技术。

容器化就是一个很好的例子。十多年来，该方法一直是云开发中的最佳实践，但我们开始看到它被用于加速实际嵌入式系统的开发，包括视觉和人工智能系统(它们带来了自己的挑战，可能会频繁出现-空气模型更新)。

同样，安全和隐私的幽灵也在抬头。我们如何设计能够抵御黑客攻击并保护用户隐私的系统?与此相关的是，我们如何满足功能安全要求——实际上，我们甚至如何测试这些东西?这些问题在科学博览会项目中不会出现，但在您将真实产品运送给认真的客户时确实会出现。

处理器丰富

第五，老实说，处理器财富的尴尬。一两年前，我观察到我们正处于人工智能处理器的寒武纪爆发期。今天，如果有的话，这种趋势已经加速并蔓延开来：似乎每个制造处理器的人——无论是一美元的 MCU 还是大型、多核、多 GHz 的本地服务器处理器——都针对边缘 AI 和视觉应用程序.

也就是说，这是一个很大的空间，处理器公司通常在性能、价格和功率方面针对不同的区域。对于系统开发人员来说，虽然有很多选择，但选择起来可能具有挑战性，尤其是当您不仅要考虑技术因素(例如性能和功耗)，还要考虑其他关键问题，例如价格、业务和供应链风险时。

如果这里有一个大趋势，那就是：我们生活在嵌入式视觉创新的黄金时代。现在是构建基于视觉的产品的最佳时机。

关键词： 应用程序 人工智能 就是一个