在本部分中，您将使用到目前为止获得的所有计算机视觉和 CNN 知识，在边缘设备中打包，优化和部署模型，以解决现实生活中的计算机视觉问题。 在本地计算机上训练大型数据集需要花费时间，因此您将学习如何打包数据并上传到云中的容器，然后开始训练。 您还将看到如何克服一些常见的错误以完成训练并成功生成模型。
在本节结束之前，您将能够执行以下操作：
- 了解边缘设备如何使用各种硬件加速和软件优化技术基于神经网络模型以最小的延迟进行推理（第 11 章）
- 了解 MobileNet 模型的理论，因为它的速度通常会部署在边缘设备中（第 11 章）
- 使用 Intel OpenVINO 工具包和 TensorFlow Lite 在 RaspBerry Pi 中部署神经网络模型进行对象检测（第 11 章）
- 通过在 Android Studio 和 Xcode 中使用 TensorFlow Lite 部署模型来在 Android 手机和 iPhone 上执行对象检测（第 11 章）
- 使用 Create ML 训练自定义对象检测器，并使用 Xcode 和 Swift 将其部署在 iPhone 上（第 11 章）
- 对各种云平台的基础结构有一个总体了解- Google 云平台（GCP）， Amazon Web Services（AWS） ，以及 Microsoft Azure 云平台（第 12 章）
- 为使用 GCP，AWS 和 Azure 的自定义对象检测开发端到端机器学习平台（第 12 章）
- 了解如何使用 TensorFlow 进行大规模训练和打包（第 12 章）
- 使用 GCP，AWS 和 Azure 执行可视搜索（第 12 章）
本节包括以下章节：
- “第 11 章”，“通过 CPU/GPU 优化在边缘设备上进行深度学习”
- “第 12 章”，“用于计算机视觉的云计算平台”