Caffe深度學習框架的全稱是Convolutional Architecture for Fast Feature Embedding，Caffe最初設計只針對圖像資料集(Dataset)，所以Caffe應用於電腦視覺(Computer Vision)領域比較多，例如人臉辨識、圖像分類(Image Classification)、物件偵測(Object Detection)等，相對於語音或時間序列的資料集，則沒那麼豐富。
聯詠Novatek NT9852x系列是高整合度的AI推論(inference)SoC，可應用於邊緣運算(Edge Computing) IP-CAM的解決方案。此平台提供的Novatek AI Tool，讓開發者可直接先在PC端模擬Caffe深度學習預測的精準度，不必把Caffe模型置入開發板端執行後，才能得知測試結果，可大大加速深度學習的開發效率。
原廠提供的Caffe模型(Model)或許無法滿足每位開發者的應用需求，假設開發者在網路找到其他CNN模型，想測試此Caffe模型是否適合在Novatek NT9852x執行推論預測，此時Novatek AI Tool就是一個很好的模擬工具。
如下圖，舉例從AWS下載已經訓練過的SqueezeNet模型(精簡化輕量級卷積神經網路，適用於硬體條件有限的嵌入式設備)。
下載得到的Caffemodel(模型權重文件)和Prototxt(模型描述文件)，放入PC端的Novatek AI Tool模擬軟體。
嘗試額外增加下圖反白的21~50張作為訓練資料集(Training Dataset)，測試能否提升預測結果的準確度。
模擬測試下圖的黑色巴士。
SqueezeNet模型的訓練資料集增加30張後，發現模擬測試報告的score由0.573上升到0.574。
Novatek AI Tool可在PC端反覆訓練模型是否收斂到滿意的準確度，最後再放到EVB板端跑實際的效果，減少重覆轉換Caffe模型為推論平台的格式，再放到板端執行推論的時間。
聯詠Novatek NT9852x系列是高整合度的AI推論(inference)SoC，可應用於邊緣運算(Edge Computing) IP-CAM的解決方案。此平台提供的Novatek AI Tool，讓開發者可直接先在PC端模擬Caffe深度學習預測的精準度，不必把Caffe模型置入開發板端執行後，才能得知測試結果，可大大加速深度學習的開發效率。
原廠提供的Caffe模型(Model)或許無法滿足每位開發者的應用需求，假設開發者在網路找到其他CNN模型，想測試此Caffe模型是否適合在Novatek NT9852x執行推論預測，此時Novatek AI Tool就是一個很好的模擬工具。
如下圖，舉例從AWS下載已經訓練過的SqueezeNet模型(精簡化輕量級卷積神經網路，適用於硬體條件有限的嵌入式設備)。
下載得到的Caffemodel(模型權重文件)和Prototxt(模型描述文件)，放入PC端的Novatek AI Tool模擬軟體。
嘗試額外增加下圖反白的21~50張作為訓練資料集(Training Dataset)，測試能否提升預測結果的準確度。
模擬測試下圖的黑色巴士。
SqueezeNet模型的訓練資料集增加30張後，發現模擬測試報告的score由0.573上升到0.574。
Novatek AI Tool可在PC端反覆訓練模型是否收斂到滿意的準確度，最後再放到EVB板端跑實際的效果，減少重覆轉換Caffe模型為推論平台的格式，再放到板端執行推論的時間。