Server 價錢的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列免費下載的地點或者是各式教學

基於深度學習和邊緣運算的手勢控制系統

為了解決Server 價錢的問題，作者廖映涵 這樣論述：

隨著物聯網(Internet of Things, IoT)的興起和普及，物聯網的應用領域越來越廣，智慧家庭是物聯網應用中的重要領域之一。在智慧家庭中，大部分的控制方式以語音辨識為主，然而有些情況不適合使用語音辨識，例如家人在休息時，此時若發出聲音可能會吵醒家人，或是家中環境吵雜時，語音辨識容易受到影響。如果使用手勢辨識做為控制方式就可以解決這些情況。手勢辨識可以藉由相機、穿戴式設備和手勢感測器等方法實現。考量使用者的方便性和對價錢的接受度，本論文使用一台普通的網路攝影機進行手勢辨識。邊緣運算的目的是減少雲端伺服器的運算量，無需將所有資料都傳回到雲端處理，能改善延遲問題。本論文使用邊緣運算，

手勢控制系統執行時直接在樹莓派上進行運算，能夠即時且更有效率的處理資料。本論文實作了一個手勢控制系統，此系統使用 YOLO-Fastest 模型來完成手勢辨識，將訓練完的模型佈署在樹莓派上，在樹莓派上邊緣運算進行手勢辨識。此外透過特定的手勢變換機制來控制家電的開啟或關閉。此系統總共使用三個樹莓派並運用了物聯網的架構，樹莓派間使用訊息佇列遙測傳輸(Message QueuingTelemetry Transport, MQTT)進行訊息傳輸。在系統執行時無需將資料發送回雲端伺服器進行處理。透過這個系統，使用者無需實際觸碰開關即可控制家電的開啟或關閉。使用者只需透過手勢即可控制環境中的電器，提升生

活的便利性。此外手勢控制的結果和影像畫面都將顯示在 Home Assistant 的介面上，方便讓使用者查看。本論文除了使用原版的模型架構外，還參考了 YOLO 其他的版本來對原版模型做了調整衍生出另外兩個版本，並比較了這三種版本的平均精度均值(MeanAverage Precision, mAP)和在樹莓派上執行時的速度。本論文設計之系統將深度學習和邊緣運算結合提升實用價值，相較於以往的手勢辨識系統有維持辨識準確度下節省硬體成本的優點。