text.skipToContent text.skipToNavigation

在 uniVision 3 中直接运行 ONNX 格式的人工智能模型

借助 “图 – ONNX” 模块，您可以直接在 uniVision 3 硬件（例如 B60 Smart Camera 或 MVC 机器视觉控制器）上运行人工智能模型。利用无缝的 ONNX 推导进行工业图像处理任务，无需额外的硬件或对您的开发环境进行调整。

人工智能模型训练

导出为 ONNX 格式

u3o 套件

集成至 uniVision 3

接口连接

第一步：您的培训，您的框架

使用您首选的机器学习框架（如 PyTorch、TensorFlow 或其他 ONNX 兼容工具），无需改变现有的开发环境。您不受专有软件或云平台的约束，可在开发人工智能模型时保持最大灵活性。
在本地、云端或现有 GPU 集群上训练模型，能够始终完全掌控您的数据、模型架构和超参数。您的数据科学家可以继续使用他们熟悉的工具，并有效地使用这些工具。

第二步：导出为 ONNX 格式

ONNX（开放式神经网络交换）是用于人工智能模型交换的开放式、不受制造商影响的标准。通过集成的导出功能，只需几行代码即可从您的框架中进行转换。
wenglor Notebooks 显示最佳实践，并支持导出、验证和进一步处理。支持分类（多类和多标签）和物体识别技术 – 包括可选的量化，以优化性能。

第三步：u3o 套件

u3o 格式是用于带有 uniVision 3 软件的设备的即插即用包。它将 ONNX 模型与所有相关元数据（如输入 / 输出规格、预处理和类别标签）相结合。
通过 wenglor Python 脚本在 GitHub 中自动创建，包括目标硬件的验证。可以选择对人工智能模型j进行量化，以进一步提高性能。

第四步：集成至 uniVision 3

“图 – ONNX” 模块可将 u3o 数据包直接导入 uniVision 3。根据应用提供不同硬件版本：B60 系列 Smart Camera 可直接在设备上进行紧凑的人工智能推断，或 MVC 系列机器视觉控制器可用于计算密集型模型。与其他模块相结合，可实现功能强大且灵活的机器视觉应用。

第五步：连接

通过与 PLC、机器人和 IT 系统的现有接口实现无缝集成。同时使用 uniVision 3 的现有通信结构 – 无需额外的中间件。

ONNX 模块支持的技术和模型类型

ONNX 格式由所有常见的机器学习框架支持，因此您现有的设置可以保持不变。

支持的模型格式	ONNX
训练框架	PyTorch、TensorFlow、scikit-learn、Apache Spark、Keras、Caffe2、Microsoft Cognitiv Toolkit (CNTK)、Theano*
支持的模型类型	Multi-Class 分类多标签分类物体识别
优化（可选）	在 B60 Smart Camera 上运行时，支持并推荐 INT8 量化。在 MVC 机器视觉控制器上运行时，支持未量化的 FP32 网络和量化的 INT8 网络。

* 除了列出的框架外，还可以进行其他集成。

ONNX 格式由所有常见的机器学习框架支持，因此您现有的设置可以保持不变。

支持的模型格式

ONNX

训练框架

PyTorch、TensorFlow、scikit-learn、Apache Spark、Keras、Caffe2、Microsoft Cognitiv Toolkit (CNTK)、Theano*

支持的模型类型

Multi-Class 分类
多标签分类
物体识别

优化（可选）

在 B60 Smart Camera 上运行时，支持并推荐 INT8 量化。
在 MVC 机器视觉控制器上运行时，支持未量化的 FP32 网络和量化的 INT8 网络。

* 除了列出的框架外，还可以进行其他集成。

为什么要将 GitHub 用于机器学习项目？

Jupyter Notebooks 电脑可用于机器学习工作流程的所有步骤
通过详细的 JSON 规范实现清晰的元数据结构
定期更新新的框架版本
易于自定义和扩展的 Python 代码示例

uniVision 3 中的 ONNX 有哪些优势？

采用开放式标准 ONNX，避免受制于供应商

使用您选择的框架（例如 PyTorch、Tensorflow 等）。
您的现有流程保持不变。

人工智能和基于规则的图像处理整合到一个工作流程中

您将受益于神经网络与基于规则的工具的结合。
使用无缝集成的工具，如遮罩、ROI 定义和后处理。

针对 ONNX 运行时间优化的硬件和软件

B60 Smart Camera 配有一个神经处理单元，用于加速人工智能计算。
所有机器视觉控制器都配有强大的 CPU，可确保最佳的处理时间。

设有诸多工业接口，易于集成

可以直接通过 uniVision 3 的现有通信基础设施对全部结果进行进一步处理。

在wenglor硬件上运行AI模型的两种方式

uniVision AI 许可证包可以直接从 AI Lab 运行人工智能模型，或通过 ONNX 格式进行外部训练。uniVision AI 可确保人工智能模型的无缝集成，而模型训练可在 AI Lab 中端到端进行，或在其自己的工具链中使用常见的机器学习框架进行。

“图 – ONNX" 模块 – 集成 ONNX 格式的外部训练人工智能

整合通过开源框架训练的人工智能模型。

模型训练	在自备的工具链（例如 PyTorch、张量流）中，无论是本地还是外部环境
接口	人工智能模型导入 ONNX格式（通过 GitHub）
透明	热图支持（取决于型号）
集成	直接在 uniVision 中执行 – 根据文档兼容和转换

“图 – AI” 模块，用于 AI Lab 的人工智能模型训练）

使用我们的一站式完整人工智能工作流程。

模型训练	在 AI Lab 的云端
数据流	通过 weHub 将 uniVision 3 的图像传输到 AI Lab
透明	通过热图和评估实现最大可追溯性
加入	直观的用户界面，适用于结构化项目，无需自备机器学习工具链。

强大的硬件，实现人工智能模型的最佳运行

wenglor 机器视觉硬件使用 uniVision 3 软件可为人工智能模型的高效运行提供最佳条件。

在 B60 系列的 Smart Camera 上，神经处理单元 (NPU) 可确保人工智能模型的高效、快速运行。MVC 系列机器视觉控制器的 Intel® OpenVINO™ 加速单元和多核处理器可高效并行运行多个人工智能模型和复杂的流程。

B60 Smart Camera

了解更多信息

带有机器视觉控制器的机器视觉照相机