共计 1821 个字符，预计需要花费 5 分钟才能阅读完成。
感知智能将物理世界信号映射到数字世界，是 AI 工业化生产落地的必经之路，而其中视觉感知与物联感知已成为工业物联网畛域的技术基石，通过与边缘计算的联合，可能无效解决 AI 在落地过程中面临的海量数据处理实时响应、原始数据价值密度低、多模态数据离散解决等问题。
感知智能业务方向
实现边缘智能感知的次要流程，以 CV 利用落地来看，次要围绕着模型生产和落地部署。典型 CV 利用落地所需流程长，须要经验“12 阶段”，并且须要大量人力，由 5 名中级工程师和 5 名高级工程师共同完成。
目前传统 CV 利用的痛点：整体流程长，波及人员多，流程各环节的不规范以及全流程的割裂会导致模型治理碎片化、应答变动耗时耗力、模型与利用最初一公里、模型继续经营难等问题。因此，须要一款笼罩数据处理、模型训练和反对业务定制化性能的平台来实现模型的一体化生产利用和治理。
传统 CV 利用业务痛点
针对传统 CV 利用业务痛点，星环科技推出一站式模型生产利用平台——Sophon AutoCV。Sophon AutoCV 面向企业外部 CV 建模团队，提供疏导式模型训练和低代码利用构建部署的能力，解决 CV 模型生产和利用流程长、效率低等问题，缩短 CV 模型生产部署周期，实现业务利用的高效率经营。
AutoCV 作为视觉感知智能平台，将业务流程由传统的“12 阶段”精简为“底层资源 - 模型训练与治理 - 模型利用 - 结构化数据回传”，全方位笼罩模型落地过程中的数据、模型、利用、迭代经营的治理需要。除此，AutoCV 聚焦传统 CV 利用的痛点：波及人员多，从所需“5+ 5 中级 / 高级工程师”精简为“2+2+ 2 高级 / 中级 / 高级工程师”。
业务撑持案例 多模态数据交融解决
某流程制造厂，基于本平台实现图像和传感器数据的对立接入和模型利用，实现智能化辅助生产。
业务痛点
1) 人工操作流程谬误：人工投料程序影响生产品质，而工人谬误投料往往无奈及时发现提醒；
2) 除质成果不现实：在生产流程中，除杂环节的辨认与去除成果有较大晋升空间。
解决方案
1) 人工投料程序监控提醒：通过现场监控摄像头对物料包装进行辨认，进而辨认投料程序，对可能的投料程序谬误，通过现场声光告警进行提醒；
2) 对接除杂仪图像优化算法：通过对接除杂仪中的高速工业摄像头，采集杂质样本进行标注，继续训练迭代通用模型，而后针对不同除杂仪器进行优化，最终整体除杂成果晋升 2%。
客户价值
1) 人工投料谬误进行及时捕获纠正，运行后投料成果有显著晋升。
2) 生产流程中的整体除杂成果晋升 2%，升高了原料损耗和产品质量。
企业赋能案例 过程资产积攒和模型迭代
某司的信息科技部门，基于本平台实现多数字资产的积攒、模型集中调度与继续迭代。
业务痛点
1) 模型无奈溯源，原始数据存储凌乱，各种业务数据无对立治理形式；
2) 扩散的业务零碎中硬件资源无奈集中管理调度；
3) 算法模型随着业务的更迭，准确率已不能满足业务的需要，须要单点优化。
解决方案
1) 平台对立资产积攒：平台反对模型训练样本治理，反对模型多版本评估和治理；反对业务规定的积攒和迁徙复用；
2) 硬件资源集中调度：客户业务零碎中模型疾速上架部署，运行时共享硬件资源；
3) 算法模型继续迭代：反对模型解决后的结构化数据同步到训练模块，通过增量训练即可实现模型的疾速迭代。
客户价值
1) 数据、模型和利用资产积攒，价值积淀；
2) 硬件资源利用率晋升 20%；
3) 螺旋式迭代，模型迭代周期缩短 50%。
星环科技全自研开发的 Sophon AutoCV 目前已在多个行业的实际落地中展现出极强的性能与极高的稳定性。总体而言，星环 Sophon AutoCV 的外围劣势能够概括为以下五点：
高效率生产：通过智能预标，标注效率相较开源工具晋升 30%，基于全流程的平台操作，模型生产落地的人力投入可升高 50%；
零门槛经营：平台反对通过疏导式和低代码的形式进行模型生产和部署，业务经营人员也可疾速上手，并实现模型迭代和优化；
高性能运行：平台反对除支流的推理卡，还反对国产化如华为、寒武纪等硬件的模型运行减速，以撑持万路摄像头的智能化流解决；
多资产积攒：对于企业数智化革新过程中 3 类数字资产，数据、模型以及利用，可能通过平台无效的积攒和积淀，体现视觉 AI 团队价值；
开放式单干：平台可与不同搭档进行单干，截止以后已和超过 20+ 的友商单干进行整体计划交付，其中包含高校、算法供应商、渠道方等。
咱们置信，随着工夫的推移，星环科技 Sophon AutoCV 将继续赋能千家万业，助力视觉 AI 工业化生产，以及视觉 AI 价值的爆发。