序

最近十几年，随着以深度学习算法为推动力的人工智能产业化落地的日趋成熟，基于深度学习的应用开发也越来越流行。深度学习的开发本身涉及的知识面涵盖了算法基础理论、算法的代码实现和优化、数据工程（如数据的清洗、标注、预处理等）、主流算法框架和神经网络模型的训练及推理优化、硬件平台的选择及最终部署前的系统级优化等，其知识结构的广泛性和复杂性往往使初学者以及更加关注应用本身开发和部署的开发人员需要更长的学习时间或更陡的学习曲线才能掌握。

本书站在应用开发者（既包括专业人员，也包括大专院校相关专业的师生和业余开发爱好者）的角度，以应用深度学习目标检测技术为目标，侧重介绍了基于深度学习的人工智能的开发环境、模型训练及推理部署的全过程。特别是给出了一个在Windows平台上搭建深度学习开发平台、基于英特尔^®OpenVINO^TM在Visual Studio中开发深度学习应用程序的方法，并在最后的4章中着重介绍了4个具体应用场景的工程实践，大大降低了深度学习推理部署的学习难度。

在介绍优化并部署模型和进一步提升AI推理性能的内容时，本书不仅详述了如何通过使用英特尔^®OpenVINO^TM开发工具套件的优化原理且辅以详尽的代码示例，同时还提示了开发者如何针对特定的应用场景，在开发过程中预先思考最终部署的硬件平台选型。对于适用于物联网或边缘计算的推理应用方案，方案的性价比、对于未来业务的扩展性和所选硬件平台的通用性都需要得到一个综合性的评估。开发者通过对OpenVINO^TM的异步API和多设备API的调用，在英特尔公司提供的X86通用CPU芯片系列（如酷睿和至强），FPGA芯片系列（如Arria）和VPU芯片系列（如Movidius）上，可以自动实现部署所需要的优化，很好地体现了软硬件协同应用开发的优势。对于快速商业化创新的应用方案起到了重要的赋能作用。

如果读者有意向长期致力于AI应用开发，建议在阅读本书及着手尝试之余，阅读更多的相关书籍及其他参考资料，使自己具备更完整的知识体系。

英特尔亚太研发有限公司物联网事业部视觉产品研发总监 顾典