这个实用的图表推荐框架令你如虎添翼

大量成功案例证明，物联网改变了人们对数字化解决方案的看法。但事实上，物联网是迄今为止进入门槛很高的领域之一。2019年2月，中国阿里巴巴集团向德国物联网创业公司Konux投资1300万，提高了火车的准点率和铁路运输能力。几年前，SAP公司创立了一个200万欧元的基金，用于投资物联网项目。

目前物联网的主要趋势是安全、无人驾驶和物流，此外，还有针对特定工业领域有趣的创新解决方案。物联网最流行的趋势，原因很充分：各种流程都经过简化和加速化。现在，人们比以往都更希望节省时间，优化日常工作。

然而，在创新机会和热门市场利基的驱使下，企业往往会忽视物联网产品的核心基础知识。根据思科公司(Cisco)的统计，76%的受访企业表示他们的物联网项目失败了。不过，此领域的初创公司的数量和种类还是骄人的，考虑到常见的预测和目前的统计数据，这也在情理之中。

有许多原因导致了项目的成功率过低。让我们从这件事说起：在Gartner的2018年工业物联网魔力象限中，所有公司都没能克服执行障碍。也就是说，产品在现实中并没有达到预期。

哪怕出现了很小的问题，也会导致物联网初创企业失败。企业到底做错了什么?他们一般面临的挑战有以下几点：

• 生态系统不符合标准
• 行业复杂
• 销售周期长，尤其是在工业领域。
• 需要与市场巨头(亚马逊、微软、通用电气和国际商用机器公司)进行竞争。

绝大多数物联网项目使用起来太过复杂，价格过高;而有效的策略需要考虑到物联网解决方案的特殊性。

软件起到关键作用

乍一看，物联网开发与其他产品的开发差别不大，但其实系统是不同的。让我们来看看物联网的主要构成：

• 连接物：设备和传感器可以交换数据，并且可以被终端用户控制。
• 摄取框架：收集和存储数据的云端。
• 分析能力：对数据进行处理，产生有意义的见解并识别模式。
• 终端用户应用：任何系统都需要界面来展示参数并与用户交互。

产品所有者或任何人都无法对整个系统负责，在这件事上犯错的成本很高——这还关切到其他所有的相关系统，别忘了还有众多工业要求和标准的高度安全协议。对于物联网产品来说，最重要的是方便用户使用，人们都不愿意在日常生活中使用过于复杂的产品。

每一个方面都很重要，你可以在一个项目上投入大量的时间、金钱和精力，但仍然无法吸引用户，你很难劝服用户在日常中使用你的产品。
 

• ImageSegmenter
  图像分割器预测图像的每个像素是否与某个类相关联。这与物体检测（检测矩形区域中的物体）和图像分类（对整个图像进行分类）相反。除图像处理外，ImageSegmenter 还支持两种类型的输出蒙版：类别蒙版和置信度蒙版。
• NLClassifier 和 BertNLClassifier
  • NLClassifier将输入文本分为不同的类别。可对该通用 API 进行配置，使其可以加载任何支持文本输入和分数输出的 TFLite 模型。
  • BertNLClassifier 与 NLClassifier 类似，不同之处在于，此 API 专门为 BERT 相关模型量身定制，需要在 TFLite 模型之外进行 Wordpiece 和 Sentencepiece 分词。
• BertQuestionAnswerer
  BertQuestionAnswerer 加载 BERT 模型并根据给定段落的内容回答问题。目前支持MobileBERT 和 ALBERT。与 BertonCollector 类似，BertQuestionAnswerer 封装了对输入文本的复杂分词处理。您可以将上下文和问题以字符串形式传递给 BertQuestionAnswerer 模型。

支持的模型

Task Library 与下列已知的模型源兼容：

• TensorFlow Hub Task Library 模型集合（图像分类/物体检测/图像分割/问答）。
• TensorFlow Lite Model Maker 创建的模型。
• AutoML Vision Edge 创建的模型。

Task Library 还支持符合每个 Task API 的模型兼容性要求的自定义模型。关联的文件（即标签图和 vocab 文件）和处理参数（如果适用）应正确填充到模型元数据中。有关更多详细信息，请参见 TensorFlow 网站上针对每个 API 的文档。

（编辑：新余站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!