
AI 視覺自動辨識破損與缺陷,搭配 AOI 複判降低過殺並穩定品質一致性。
建立專屬 AI 視覺模型,從資料準備到部署管理,一站完成 AI 導入流程。
滿足多元 AI 視覺應用需求
整合影像分類、物件偵測、影像分割、異常偵測與瑕疵生成技術,支援企業建構各種 AI 視覺模型。

辨識影像整體內容,自動完成分類與標籤管理。
精準定位目標物件,即時辨識位置與數量。
細緻區分影像區域,提升輪廓與特徵辨識精度。
以少量正常樣本訓練,自動找出異常與瑕疵。
透過 AI 擴增瑕疵樣本,加速模型訓練與優化。
涵蓋品質檢驗、安全監控、生產管理與智慧辨識等應用,滿足多元產業 AI 視覺需求。

AI 視覺自動辨識破損與缺陷,搭配 AOI 複判降低過殺並穩定品質一致性。

AI 視覺自動辨識破損與缺陷,搭配 AOI 複判降低過殺並穩定品質一致性。

即時偵測未戴護具、危險區闖入等事件,降低工安風險與事故發生率。

自動辨識作業流程與操作行為,即時提醒異常與流程缺漏。

透過 AI 車牌辨識與車流分析,即時掌握停車狀況與車輛動態。

即時辨識布面瑕疵與斷紗異常,降低不良品流出並提升生產品質。

自動辨識腐爛、發霉與撞傷等缺陷,提升食品品質與檢驗效率。
透過自動標註、瑕疵生成與圖像檢索等能力,協助企業建構高品質 AI 視覺模型。

手動標註外,內建 6 種 AI 自動標註:自動/快速分割、物件偵測、VLM 文字提示偵測、異常偵測與影片物件追蹤,標註效率倍增。
整合影像預處理、資料擴增與 AI 瑕疵生成,提升資料多樣性與品質,改善模型訓練成效。
無程式碼訓練分類/偵測/分割/異常模型,提供效能分析、評估指標與資料集驗證,協助持續優化至可上線。
建立圖像資料庫做「以圖搜圖」,支援 API 服務與批次檢索,快速比對與配對大量影像。
集中管理模型版本,一鍵部署並以整份圖庫批次推論,亦可透過 API Token 串接既有系統。
整合資料處理、標註與模型訓練流程,建立企業專屬 AI 模型。
新增專案並選擇視覺任務類型(分類、偵測、分割或異常偵測),各專案進度一目了然。建立專案AIWinOps × WinEdge
從資料來源到現場應用,完整串起 AI 視覺流程。
100% 地端私有部署,完整掌控資料與算力
| 項目 | 版本 |
|---|---|
| 作業系統 | Ubuntu 22.04 LTS (64-bit) 或更高版本 |
| NVIDIA GPU 驅動程式 | 535.154.05 或更高版本 |
| Docker Engine - Community | 20.10.17 或更高版本 |
| 項目 | 最低規格 | 建議規格 |
|---|---|---|
| CPU | 12 核心 Intel® Core™ i7-12700 處理器 | 20 核心 / 40 執行緒以上,2 × Intel® Xeon® Silver 4210 處理器 |
| GPU | NVIDIA GPU VRAM 12GB,CUDA 運算能力 7.5 | NVIDIA GPU VRAM 16GB 以上,CUDA 運算能力 7.5 以上 |
| 記憶體 | 64GB | 128GB 以上 |
| 儲存裝置 | 512GB SSD + 1TB HDD | 1TB SSD + 4TB HDD 以上 |
| 連接埠 | USB 2.0 / 3.0(連接加密鎖) | |



依使用情境與預算,彈性選擇授權模式
適合對象長期使用、資料敏感企業
適合對象有彈性預算、階段性需求
適合對象有彈性預算、階段性需求