适用于您的机器的可互操作 AI | Viam

无代码配置和标准化 API = 互操作性和更快的迭代

无代码配置和标准化 API = 互操作性和更快的迭代

在将 AI 添加到您的项目时，有很多选择。从计算机视觉 (CV) 模型到大型语言模型 (LLM)，菜单每天都在增长。如果您曾经被一份大型餐厅菜单弄得不知所措，那么为项目选择 AI 有时会感觉像是同时面对您见过的所有餐厅菜单。除了选择 AI 技术本身之外，您还面临着决策和学习如何运行它、在哪里运行它以及如何将其集成到您的项目中。

一次性

让我们来看看完全虚构的食品杂货连锁店 FoodChoice，该公司意识到，由于消费者挤压水果和蔬菜来测试其成熟度，导致水果和蔬菜受损，他们每年损失数十万美元。FoodChoice 认为他们可以使用人工智能来监控客户行为，汇总学习成果，并设计出其他方式让客户知道农产品是否成熟。

使用 Viam 管理 AI 模型

FoodChoice 的软件工程师首先尝试使用在本地机器上运行的基于 ONNX 的预训练计算机视觉模型。他们决定使用 Viam 平台来管理他们的模型，因为 Viam 提供了集中管理 AI 模型和代码的版本控制、部署和监控的解决方案。

Viam

将 ONNX 模型与 Viam 结合使用只需要他们通过 Viam 应用程序上传模型，单击将其部署到他们的机器，然后从 Viam Registry 直观地配置 ONNX 视觉服务。

ONNX 视觉服务 Viam Registry

‍

Viam Registry 中的 onnx-cpu 模块。

Viam Registry 中的 onnx-cpu 模块。 Viam 数据管理 Tensorflow Lite Viam Registry

detector = VisionClient.from_robot(robot, "produce-vision")response = await detector.get_detections_from_camera("avo-cam")

结合视觉语言模型 (VLM)

OpenAI