SSD 速度比較的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列懶人包和總整理

輕鬆學會Google TensorFlow 2：人工智慧深度學習實作開發(第三版)

為了解決SSD 速度比較的問題，作者黃士嘉,林邑撰 這樣論述：

　　♔深入探討使用於自駕車的核心技術─先進駕駛輔助系統(ADAS)的物件偵測模型 　　♔運用TensorFlow 2和Keras API的強大靈活性和控制性   　　[ TensorFlow 2語法更簡潔 ]學習門檻較低，使初學者更容易上手 　　[ TensorFlow 2支援多個平台 ]可以在多種平台上訓練生成的網路模型 　　[ TensorFlow 2內建Keras高階API ]Keras與TensorFlow的相容性、方便性和效率更高 　　[ TensorFlow 2簡化API ]只保留tf.keras，清除較少人使用和重複的API   　　在人工智慧(AI)的時代，TensorFl

ow已經成為深度學習開發的主流程式庫，其功能強大、運算效率高、支援多個平台，造就了業界和學術界的廣泛使用。然而，TensorFlow 1的學習門檻高，對於剛入門的初學者來說相當難上手，針對這個問題，Google開發團隊推出TensorFlow 2。TensorFlow 2引入了Eager Execution動態圖模式、Keras高階API和tf.data等三個功能，讓學習門檻大幅降低。本書使用最新的TensorFlow 2深度學習套件，並透過十三個章節的內容，讓讀者同時學習到理論與實務應用。   　　【本書精彩內容】 　　◎利用TensorFlow Keras API，並能充分理解使用簡潔指令

、自由組合且容易擴展的模塊化API的優勢。 　　◎利用tf.data資料輸入管道，速度更快、更簡單。 　　◎學習TensorFlow高階技巧：客製化網路層、損失函數、指標函數和回調函數。 　　◎學習TensorBoard高階技巧：TensorBoard低階API和超參數調校工具。 　　◎使用TensorFlow Datasets資料集平台，更方便下載和使用。 　　◎使用TensorFlow Hub開放預訓練模型平台，更方便搭建和使用預訓練權重。 　　◎了解神經網路反向傳遞的原理。 　　◎了解及實作全連接神經網路。 　　◎了解及實作卷積神經網路。 　　◎了解及實作遷移學習任務。 　　◎掌握訓練網

路的技巧：權重初始化的重要性、權重正規化、Dropout、Batch Normalization。 　　◎運用深度學習經典網路架構：LeNet、AlexNet、VGG、GoogLeNet和ResNet。 　　◎生成模型：AE、VAE、GAN、WGAN、WGAN-GP全面解說和實作。  　　◎了解R-CNN、Fast R-CNN、Faster R-CNN、YOLO v1、SSD、YOLO v2、FPN、RetinaNet、Mask R-CNN、YOLO v3、CornetNet、CFF-SSD 和DSNet等代表性的物件偵測架構。 　　◎實現YOLO v3物件偵測方法。

SSD 速度比較進入發燒排行的影片

基於類神經演算法與機器視覺應用於玻璃加工製程瑕疵檢測

為了解決SSD 速度比較的問題，作者陳萬軒 這樣論述：

傳統玻璃檢驗多以人工辨識為主，礙於人眼辨識能力有限而在精確程度上有所欠缺，人工檢測費時費力，常因成本及時間考量而無法全數完成抽檢項目；某些生產商目前採用AOI光學檢測建立機台等方法辨識玻璃相關產品，但昂貴的建置成本及辨識率令多數人望而卻步，且有著諸多環境限制。近年來人們逐漸將視線轉移到AI身上，目前深度學習發展迅速，隨著機器學習領域的成熟，高效能圖形處理器GPU的技術提升，大大提升了數值運算的速率，AI經由訓練後能自行定義瑕疵範圍，進一步辨識未知的瑕疵影像，原先AOI所蒐集辨識的瑕疵影像能進行AI模組的前期訓練，大幅提升判斷準確率，因此本研究將探討各種AI設備辨識方法搭配並比較辨識速率與準確

率以供生產商參考應用。本研究辨識的圖像類別共有三種，分別為正常、刮痕、污漬，結合自行拍攝取樣的玻璃照片影像集，共有1000張影像、200個瑕疵。其中使用800張影像做為訓練集(08)，100張影像做為測試集(01)，100張影像做為驗證集(01)並採用物件偵測演算法:YOLOv5模型，分別進行訓練與比較，平均瑕疵正確辨識率為85%以上。

Windows 10究極攻略!升級、設定、優化、問題排除，高手活用技巧速學實戰【地表最強進化版】

為了解決SSD 速度比較的問題，作者PCuSER研究室 這樣論述：

Windows 10上市滿周年，你升級了沒？超好用最新OS整合電腦平板雙介面，比Windows 7更潮更厲害！完整收錄安裝升級、優化加速、安全強化、系統神改、介面改造、OneDrive雲端硬碟、Edge瀏覽器活用技，更緊急追加2017微軟最新「Creators Update」第一手報導！

基於ESP之聯合目標檢測與部件分割網路模型的設計與實現

為了解決SSD 速度比較的問題，作者林翰博 這樣論述：

多部件分割是近年來機器人視覺領域中極具挑戰且受矚目的研究議題之一。現有的部件分割方法雖然可達到準確的分割結果，但其網路的參數量與網路架構都相當龐大，進而導致這些方法大多都無法達到高速的即時運算能力。為了降低網路參數量並簡化網路架構，本論文提出一種基於ESPNet所設計的輕量化部件分割模型，其可有效提升部件分割的處理速度與降低運行時所需要的運算需求。所提出的網路模型採用錨框式的一階段物件偵測模型為骨幹網路，搭配一個語意分割分支網路架構進行整合設計。因為所提出的網路模型仍然維持較為簡潔的一階段式架構，我們得以在網路架構實現上有較為簡化的優勢。此外，我們也使用ESPNet作為物件偵測與部件分割模型

中的主要模組，將所提出的網路模型中的卷積網路模組均修改成輕量化的ESP模 來降低模型的參數數量與運算複雜度。實驗結果顯示，在IIT-AFF資料集中，所提出的方法的物件偵測準確率達到了90% mAP，且在部件分割的分割準確率達到了60.66% WBF。在運算速度測試上，以512x512的RGB影像作為輸入時，所提出的方法在搭配NVIDIA GeForce 1080Ti的運行平台上達到了35FPS的運算速度，相較於目前的AffordanceNet的運算速度(6.6FPS)快了五倍以上。