在當前人工智慧市場的多模態技術浪潮中，VLM模型因其整合視覺與語言的能力而備受矚目，被視為是下一波將落地的當紅技術與應用。
VLM 是結合語言模型的一種多模態（Multimodal）模型，為了讓 VLM 能夠處理影像，它通常會使用 ViT（Vision Transformer） 或 CNN 作為影像特徵提取器，然後與語言模型（如 Transformer 或 LLM）結合，讓 AI 能夠理解影像與文字的關聯，適用於更廣泛的 AI 應用，如 AI 助理、圖像描述等，其中OpenAI提出的GPT-4V即是代表性的VLM應用。
（圖片來源）
本工作坊將由尤濬哲博士主講，帶領您快速掌握以下重要內容：
1. 掌握AI最新主流：VLM是未來趨勢
在LLM爆發後，多模態AI成為下一波熱潮，尤其是結合視覺與語言的 VLM 正快速應用於自動監控、智慧工安、交通管理等場域。本工作坊帶你直接切入「影像 → 意義」的AI新世代，跳脫傳統影像辨識，搶先掌握視覺理解的技術紅利。
2. 動手實作！邊緣設備實戰操作不是紙上談兵
不只概念講解，課程還會實際演示如何在Google Colab上實測自己的VLM系統，並搭配 Llama 3.2 + Ollama + VILA 1.5 等業界主流工具。這是業界難得公開的技術操作流程，讓你從「看會」變成「做得出來」，實力直升！
》Llama 3.2： 這是 Meta 推出的LLM系列之一，它首次整合了多模態（Multimodal）能力，能同時處理文字與圖像輸入。這一版本針對行動裝置與邊緣運算進行了優化，提供多種模型尺寸，適用於從終端設備到雲端的各種應用場景。
》Ollama：Ollama 是一款開源的本地大型語言模型（LLM）運行框架，旨在簡化在本地環境中運行和管理大型語言模型的過程。它支援多種開源的大型語言模型，如 Llama 3、Phi 3、Mistral、Gemma 等，並且可以在 macOS、Linux 和 Windows 平台上運行。
（圖片來源）
》VILA 1.5 ：VILA 1.5 是一種針對多模態任務（Multimodal Tasks）優化的大型視覺語言模型（VLM, Vision-Language Model），由微軟研究院（Microsoft Research）開發，屬於 VILA 系列的升級版。
3. 實務導向，3大應用場景一次學會
工地安全、道路交通、員工工作狀態——這三大應用不僅實用，更代表著VLM在真實場景的落地實力。講師將帶你走過每一個案例，從資料輸入到推論結果，再到系統效能優化，真正做到理論與實務並重。
課程架構
1. VLM：從YOLO到ViT：
比較ViT與YOLO模型的不同，探討其技術發展與應用範疇。
（圖片來源）
2. 架構VLM邊緣運算環境：
軟體環境概述：Llama 3.2、Ollama和VILA 1.5的整合與配置。
硬體環境介紹：介紹如何在Jetson Orin Nano Super及Google Colab上建置測試環境。
3. VLM應用實例與系統優化：
案例分享：工地安全監控、道路交通管理與員工工作狀態監測。
（圖片來源）
優化策略：提升系統效能和準確度的技術手段和實踐方法。
》延伸閱讀：
舊瓶裝新酒還是新瓶裝舊酒？Jetson Orin Super效能實測
課程資訊
► 主辦單位：MakerPRO
► 上課方式：Google Meet直播
► 時間：2025年5月14日(三) 14:00-16:00 (13:45開始報到)
► 收費方式：NTD 500元
► 聯絡方式：service@makerpro.cc；02-23679308 楊小姐
► 注意事項：報名成功後會發ACCUPASS e-mail通知，活動前MakerPRO也會發e-mail通知，請留意並準時上線
► 請於報名表中正確填寫二聯或三聯式發票資料，以便會後提供發票。
【講者介紹】
尤濬哲（夜市小霸王）
創辦「夜市小霸王」公司，專為對物聯網有興趣、零經驗的開發學習者而生的入門級AIoT教學，輕鬆開啟物聯網的大門。
曾任大學助理教授/專欄作家/知名部落客，以及點點滴滴科技研發總監等身份，專長包括人工智慧、多媒體互動(Unity)、智慧互動裝置（APP、Arduino）、虛擬實境與擴增實境互動、IoT 實做開發。
學歷：中山大學資訊管理研究所 博士
