在互联网连接有限或低延迟至关重要的场合，如农业领域的现场部署或高吞吐量制造业中的计算机视觉应用，现在有了更便捷的解决方案。很高兴地宣布与OpenCV的合作，推出了一种更简单的方式将模型部署到边缘设备上——Luxonis OpenCV AI Kit（包括OAK-1和OAK-D）。这些强大的设备集成了4K摄像头和神经网络处理单元。Roboflow用户可以直接将包含其模型的Docker容器部署到他们的OAK设备上，从而避免了模型转换和依赖性问题，这些问题往往会悄无声息地降低模型性能。
Luxonis OpenCV AI Kit设备——OAK-D（左）和OAK-1（右）——已经加入到Roboflow支持的硬件阵容中，比如将计算机视觉模型部署到NVIDIA Jetson上。OpenCV作为计算机视觉领域的世界领导者，与提供端到端计算机视觉开发平台的Roboflow联手，推出了最简化的部署方案...
自去年夏天创下135万美元的Kickstarter众筹记录以来，OpenCV AI Kit受到了极大的关注。全球数以万计的用户已经采用OAK来构建计算机视觉产品。Luxonis背后的OAK团队正在引领空间AI和嵌入式计算机视觉的新浪潮。（更多信息，请参阅对Luxonis首席执行官Brandon Gilles的采访。）
请注意，用户已经可以使用Roboflow与他们的OAK设备一起，通过训练自己的模型、转换模型格式，并将模型放到OAK上。但从用户那里了解到，这个过程可能会出现错误：设置训练基础设施、转换模型格式和处理依赖性问题，这些都可能导致模型性能下降的静默错误。
因此，从今天开始，用户现在可以使用RoboflowTrain一键式在GPU上训练自定义模型，然后通过Docker容器直接将模型下载到他们的OAK上。不再有“模型是否在正确的位置完成了训练？如何将模型转换为OpenVINO？需要安装哪些依赖项？”等问题。
此外，在模型训练完成后但在部署之前，用户可以轻松地使用完全托管的Web API原型来评估性能。这使得迭代更加快速，并消除了对模型在设备上性能如何的猜测。
将OAK和Roboflow结合使用的最后一个好处是，可以轻松地从现场收集数据，以持续改进模型。使用Roboflow Upload API，开发人员可以直接从他们的设备所看到的内容中收集数据。例如，如果模型的置信度低于给定阈值，或者最终用户指出检测有问题，就可以收集数据。这种失败案例数据是主动学习的核心，它使模型能够以更少的数据更快地改进。
致力于简化机器学习操作流程，以消除模型性能中的错误。正如OpenCV首席执行官Satya Mallick所指出的，“与Roboflow和Luxonis合作，为程序员提供了一个非常简单的AI流程。”
如果已经拥有OAK，可以免费开始使用。只需在Roboflow中直接请求Roboflow Train，并在回复电子邮件时提供OAK序列号。（如果还没有OAK，请通过电子邮件向索取折扣。）然后，请按照教程部署自定义模型到OAK。确保阅读文档，并按照这个逐步部署指南，使用Python包（roboflowoak）将Roboflow Train训练的模型部署到OAK设备上。主机设备需要DepthAI和OpenVINO才能使包正常工作。