人工智能通過模擬人類思維與決策模式，賦 予機器以類人能力，正在從經濟、運輸、醫療、安全、教育等眾多領域影響和變革人類社會。當前，人工智能已經成為大國競爭的焦點，已作為經濟發展的新引擎，給社會發展帶來了新機遇。自從2016年美國發布《國家人工智能研究與發展戰略計劃》后，中國、法國、英國、德國、日本、加拿大等多國相繼發布人工智能戰略計劃。我國人工智能技術經過產業高速發展、規模效應刺激，已成為在人工智能領域領先的國家，成為美國主要競爭對手。然而，我國在人工智能企業數量、產業布局、人才隊伍、投資趨勢等方面仍有不足。其中，基礎技術薄弱是制約我國人工智能進一步發展的關鍵因素，而作為中美競爭根本因素的人才隊伍，更是未能滿足我國人工智能產業快速發展的需要。2017年，國務院印發了《新一代人工智能發展規劃》；2018年，教育部印發《高等學校人工智能創新行動計劃》；2020年，教育部、國家發展改革委與財政部聯合印發《關于“雙一流”建設高校促進學科融合加快人工智能領域研究生培養的若干意見》，指出高校要加強課程體系建設，建設一批有影響力的教材和國家精品在線開放課程。

近年來，全球各大高校陸續面向本科生開設了計算機視覺課程，比較有代表性的課程包括斯坦福大學 Juan Carlos Niebles 開設的 Computer Vision: Foundations and Applications 課程，加州大學伯克利分校的 Alyosha 教授團隊開設的 Computer Vision 課程等。表 1 列出國外多所高校 開設計算機視覺課程的情況。

在國內，文獻[1]中探討了計算機視覺課程教學內容的選取和工程實例的選取，為當前計算機視覺課程的教學提供了一些指導意見。文獻[2]中探討了針對計算機視覺課程的特點建立面向課程的綜合性實驗平臺，并介紹了全景拼接實驗、生物特征識別實驗、三維模型檢索實驗和深度學習實驗4個實驗平臺。文獻[3]中探索了計算機視覺課程的國際化教學模式。文獻[4]中介紹了一款基于NVIDIA Jetson TX1 的計算機視覺創新實驗平臺，該實驗平臺采用了內置GPU的TX1嵌入式芯片組，使得面向計算機視覺的創新實驗不再局限于PC機，可以進行面向應用的嵌入式開發，做到理論結合實踐，增強實驗教學效果。文獻[5]中從增強課程內容的應用性與時效性、增加實踐內容深度與考核力度以及設置融合專業需求的多層次課程內容3個方面，探索了面向新工科的本科生計算機視覺課程改革。文獻[6]中針對目前高校計算機視覺實驗面臨的臺套數不夠和靈活性不足的問題，介紹了一個基于OpenCV和OpenGL的計算機視覺虛擬實驗室。

盡管各高校在教學改革方面取得了一定的成效，但實踐條件不足、實踐平臺短缺，仍是地方高校，尤其是在經濟不發達地區的高校普遍面臨的問題。特別是當前國際形勢復雜，中美科技存在脫鉤的風險，然而人工智能教育相關資源與平臺仍然掌握在外國人手中，計算機視覺尤為如此，例如廣泛應用的TensorFlow、Pytorch與OpenCV都由美國公司支持與發起。如何培養掌握自主可控的技術人才，是未來大國人工智能競爭的關鍵。

綜上所述，當前我國計算機視覺課程實施存在以下挑戰：①計算機視覺是一個典型交叉學科，涉及知識點廣而深；②計算機視覺技術處于快速發展過程中，知識更新快；③計算機視覺知識碎片化，未成體系；④教學內容，特別是實踐教學內容與企業需求脫節；⑤當前國際形勢復雜，中美科技存在脫鉤的風險，然而計算機視覺相關資源與平臺仍然掌握在外國人手中。為解決這些問題，本項目探索基于國產MindSpore平臺與Atlas200開發套件，實現設計面向深度學習的人臉檢測與人臉識別兩個綜合性實驗平臺，涵蓋了計算機視覺、操作系統、網絡、AI處理器、圖像傳感器、深度學習與軟件開發等學科，特別是覆蓋了計算機視覺70%的知識點。當各綜合性實驗結束時，實驗程序可以處理一個完整的、面向企業需求的復雜應用問題。這樣不僅有利于培養學生解決企業真實問題的能力，還能提升學生對實踐課的參與程度與學習興趣。

計算機視覺是人工智能與大數據專業核心課程之一，本課程總共32個學時，包含8個課內實驗。人臉識別與人臉檢測算法是計算機視覺課程中兩個典型的應用，涉及計算機視覺課程中圖像采集、圖像預處理、特征定位、特征提取、特征表示、圖像分割、特征匹配等大部分知識點。

1.1 實驗目的

隨著圖形處理器的普及與算力的增加，深度學習算法由于其在圖像處理上優異的精度，已成為如今計算機視覺課程必修的內容。當前，先進的人臉識別、圖像理解、行人檢測、大規模場景識別等技術都用到了深度學習的方法。特別是基于深度學習的人臉識別算法，應用了大量卷積、乘法運算，使得人臉識別系統必須使用具有較高數據處理能力的高性能芯片。然而高性能芯片的使用不可避免地將系統的整體功耗限制在了一定水平之上，影響了人臉識別系統的使用。在企業真實生產需求中，系統既要滿足性能要求，又要大幅度地降低功耗。降低功耗不僅可以降低生產成本，同時還能給用戶帶來更好的體驗。本實驗教學的目的就是讓學生面向企業生產環境的低功耗與高性能需求，以單片機為核心的嵌入式應用系統為基礎，利用所學的計算機視覺、操作系統、計算機網絡等知識，開發一套能真實運行的人臉檢測與人臉識別系統。本系統所使用的硬件與設備Atlas200如圖1所示。

1.2 Atlas 200

由于深度學習算法越來越復雜，目前搭載計算機視覺的嵌入式設備缺乏高性能計算能力，使得深度學習算法在服務器上設計訓練完成后，不能直接移植到嵌入式設備進行實際應用。而華為開發的Atlas200應用開發板^[8]，正是面向這樣的需求，集成了華為昇騰310AI處理器，方便開發人員迅速開發、快速驗證，廣泛應用于開發者驗證、高校教育、科學研究等場景。

Atlas200采用了Atlas200AI加速模塊（型號3000），集成了海思Ascend310AI處理器，可以對圖像、視頻等多種類型的數據進行分析與推理計算。該芯片體積小、處理速率快，在現今社會存在廣闊的應用場景。這款AI加速模塊僅有半張信用卡大，滿足企業對設備便攜的需求。同時其可以提供 22 TOPS INT8 算力，支持 20 路高 清視頻實時分析（1080P 25FPS，具備多級算力 配置，支持 22/16/8 TOPS 三級算力）。此外，該 模塊支持毫瓦級休眠、毫秒級喚醒，典型功耗僅 5.5W，可賦能邊緣 AI 應用。 

1.3 MindSpore平臺

MindSpore是華為公司最近推出的開源深度學習框架，可以更好匹配華為昇騰處理器算力，支持終端、邊緣、云全場景部署，與TensorFlow、PyTorch、PaddlePaddle等流行深度學習框架類似。MindSpore具有編程簡單、端云協同、調試輕松、性能卓越、開源開放等特點，降低了AI開發門檻。MindSpore的代碼不是那么美觀，類似Googlestyle，但細節上并沒有嚴格執行，和Tensorflow一樣抽象，適合大規模協同研發，又一定程度上保證質量。隨著華為技術、國內科研院所對MindSpore的全力推進，近年來MindSpore應用越來越廣泛。

1.4 實驗步驟

人臉識別與人臉檢測實驗步驟如圖2所示，主要包括設備安裝、環境準備、編程訓練、模型轉換、配置環境、編譯、運行等。

（1）設備安裝：設備安裝主要包括攝像頭、網線、USB線安裝，其中攝像頭安裝稍復雜。Atlas200支持外接攝像頭，并有相應接口，支持兩個MIPI-CSI接口攝像頭，本實驗中使用了普通樹莓派攝像頭。

（2）環境準備：本實驗系統為Ubuntu，開發軟件MindStudio是華為推出的一套基于IntelliJ框架的開發工具鏈平臺，提供了應用開發、調試、模型轉換功能，同時還提供了網絡移植、優化和分析功能，為用戶開發提供幫助。開發前須在Atlas200開發板中燒制系統到存儲卡，同時安裝相關硬件驅動。在用戶PC上安裝Ubuntu系統。開發語言為Python，軟件安裝完成后，須配置相關環境變量。圖3為顯示系統各個模塊與數據通信關系。

（3）編程訓練：本實驗采用YOLOV3模型。學生須生產訓練數據集，依據教師準備的圖片，生成訓練集樣本和對應標簽，經過對預處理模型訓練、優化，得到人臉識別或者檢測的模型。

（4）模型轉換：將原始網絡模型轉換為適配昇騰AI處理器的模型，然后利用MindStudio進行模型轉換，使之生成Atlas200可以運行的.om文件。

（5）配置環境：主要是在Atlas200上配置運行環境，須安裝PresentAgent、Autoconf、Automake等包，最后設置好環境變量。

（6）編譯代碼：配置好環境后，編譯代碼，并將代碼發布到Atlas200上。

（7）運行：代碼編譯并發布后，運行代碼，系統運行可以識別人臉，并標記人臉框，顯示人臉識別信度。

計算機視覺是人工智能課程核心課程之一，其直接受眾是我校人工智能與大數據專業學生每年4個教學班140人，該項目直接服務4480人/學時。此外本項目的前沿快速轉化、系統化培養方法以及以問題為導向的教學方式，也可以推廣到人工智能其他課程上。

由于課時有限，筆者在計算機視覺課程中明確課程的重點，在教學上抓主放次：對某些關鍵內容進行深入探討和實踐，而對相對次要的內容采取簡單介紹或瀏覽的策略。將目標檢測、人臉識別作為課程的重點，花費大量的時間深入講解理論和組織學生實踐。這樣安排可以在有限的教學時間中，優化教學內容，深化教學層次，激發學生的求知興趣與自主學習能力，使主講教師可以騰出精力和時間來講解教學重點與難點，強化學生的實踐與動手能力。

在實踐教學實施過程中，采用“五步教學法”，即課前預習、興趣導入、合作探究、教師點評、拓展延伸。

（1）課前預習：在實驗課之前，首先會講授理論知識部分，另外，提前兩周將實驗指導書發放給學生，讓學生自學了解實驗內容。

（2）興趣導入：在涉及人臉檢測與人臉識別的理論課時，會強調人臉檢測與人臉識別的應用價值，并引導學生了解日常生活中使用的人臉識別應用。在實驗課時，給學生展示實驗完成后的成品，引起學生興趣。

（3）合作探究：實驗自由分小組進行，一般每組有2~3人，可由一人負責理論部分，一人負責實際編碼與操作，鍛煉學生協作與溝通能力。

（4）教師點評：在課堂上，教師主要負責解決學生在實驗中遇到的問題，并開展討論與點撥。這樣可以鍛煉學生獨立自主解決問題的能力，減輕教師負擔。

（5）拓展延伸：設置思考題，例如讓學生自己完成其他物體識別與檢測，解決日常生活中的問題。

在教學結束后，對教學效果進行了問卷調查，主要圍繞學生基本情況、實驗效果、實驗遇到的問題等，面向2個教學班級，共發放70份問卷，收回69份問卷。

3.1 基本情況

首先，對學生性別進行統計分析，希望分析出不同性別對實驗項目興趣度是否有不同，結果顯示在人工智能與大數據專業，男生人數占比69.6%，女生人數占比30.4%，男生仍然占大多數。

另外，學生對計算機視覺課程的興趣度統計見表2，結果顯示，中位數為8分，總體來說，大部分學生對計算機視覺課程較為感興趣。

3.2 實驗效果

對學生是否最終完成Atlas200人臉識別和人臉檢測實驗進行統計，結果顯示，79.7%的學生沒有完成實驗，20.3%的學生完成實驗。大部分學生沒有完全完成該實驗，這表明面向項目化的教學對學生和教師來說都具有一定挑戰，特別是在時間有限的情況下。同時對不同性別學生完成實驗情況進行了分析，共14名學生完成實驗，女生4名，占比28.6%；男生10名，占比71.4%。共55名學生未完成實驗，女生17名，占比30.9%；男生38名，占比69.1%。結果顯示，不同性別學生與完成實驗情況沒有太大關系，表明在人工智能與大數據專業，女生沒有表現出通常認為的動手能力相對較弱的現象。

3.3 遇到的問題與分析

由于有較多學生未完成實驗，因此對學生未完成實驗的原因以及停留在哪步進行了分析，希望在下次課程實施過程中進行針對性改進。學生實驗停留在哪步調查結果見表3，大部分學生即將完成實驗，主要是卡在代碼編譯與環境配置上。其主要原因是學生對Atlas200運行環境不清楚，特別是對操作系統相關知識掌握不牢固。

學生未未完成實驗的原因分析見表4，結果顯示，學生主要認為實驗時間不夠以及實驗指導書講解不夠清楚。由此可見本實驗具有較強綜合性，需要學生掌握操作系統、計算機網絡、計算機視覺等相關知識，要求較高，要保證學生完成實驗，必須增加實驗教學時間。

由于未完成實驗的學生普遍表示實驗時間不足，因此對學生還需多長時間才能完成實驗進行了調查，見表5，結果顯示大部分學生認為至少還需要4個學時。要解決課時不足的問題，主要有兩種方案，第一增加課時，第二增加學生課外學習時間。后期應增加計算機視覺課時，并采用新型教學模式，如MOOC，以增加學生自主學習時間；同時要改變實驗設備管理模式，建立開放實驗室，讓學生在課余時間也可以到實驗室操作貴重設備。

由于計算機視覺課程缺乏國產自主可控教學資源與實驗平臺，利用華為MindSpore平臺與Atlas200套件，開發了面向計算機視覺課程的人臉識別與人臉檢測實驗實踐項目，并對我校人工智能與大數據本科學生進行教學實施。對教學效果調查與評估結果顯示，該實驗具有較強綜合性，有一定難度，學生完成度不高，其主要原因是授課與實驗學時不足。在下一輪教學過程中，要增加教學學時，調動學生課外學習積極性，采用MOOC教學模式，同時改變實驗設備管理模式，建立開放實驗室，讓學生在課余時間也可以到實驗室操作設備。

參考文獻：

基金項目：教育部—華為技術有限公司產學合作協同育人——新工科建設項目（W2020029）。

第一作者簡介：周俊偉，男，武漢理工大學副教授，研究方向為計算機視覺、多媒體編碼，junweizhou@msn.com。

引文格式：周俊偉，朱安娜，王亮亮，等. 面向國產 MindSpore 平臺與 Atlas 200 的計算機視覺教學改革[J].計算機教育,2022(4):56-60.