Services

實習企業簡介：

🎓永億資訊有限公司

零事故、零職災的智慧治理領導者

關於企業

永億資訊深耕業界23年，自2014年起全面轉型為工業4.0應用企業，專注於整合開發：人工智慧、物聯網與資訊技術。我們在資訊系統整合、智慧工地安防、AI推論平台與專業培訓服務上具有豐富經驗，提供從設計到部署的完整解決方案。

使命與技術重點

AIoT技術 驅動：以 AI + IoT 結合，提升即時監測與預警能力。 IT → OT 擴展：將企業級 IT 能力延伸至工控系統，強化現場智慧化管理。 減災與協同：透過跨系統整合，提供具全球性、即時性與協同作業特性的解決方案，打造智慧治理新典範。

實習內容

1.資料清理 5.設備嘗試以及架設 2.圖片標注 6.工地設備調整 3.模型訓練調適以及 7.專案維護測試 4.程式撰寫及開發

公司地址

台中市大雅區永和路95號

公司信箱電話

www.really greatsite.com support@microsys.com.tw

關於企業

永億資訊深耕業界23年，自2014年起全面轉型為工業4.0應用企業，專注於整合開發：人工智慧、物聯網與資訊技術。我們在資訊系統整合、智慧工地安防、AI推論平台與專業培訓服務上具有豐富經驗，提供從設計到部署的完整解決方案。

使命與技術重點

AIoT技術 驅動：以 AI + IoT 結合，提升即時監測與預警能力。 IT → OT 擴展：將企業級 IT 能力延伸至工控系統，強化現場智慧化管理。 減災與協同：透過跨系統整合，提供具全球性、即時性與協同作業特性的解決方案，打造智慧治理新典範。

實習內容

1.資料清理 5.設備嘗試以及架設 2.圖片標注 6.工地設備調整 3.模型訓練調適以及 7.專案維護測試 4.程式撰寫及開發

公司地址

台中市大雅區永和路95號

公司信箱電話

www.really greatsite.com support@microsys.com.tw

關於企業

永億資訊深耕業界23年，自2014年起全面轉型為工業4.0應用企業，專注於整合開發：人工智慧、物聯網與資訊技術。我們在資訊系統整合、智慧工地安防、AI推論平台與專業培訓服務上具有豐富經驗，提供從設計到部署的完整解決方案。

使命與技術重點

AIoT技術 驅動：以 AI + IoT 結合，提升即時監測與預警能力。 IT → OT 擴展：將企業級 IT 能力延伸至工控系統，強化現場智慧化管理。 減災與協同：透過跨系統整合，提供具全球性、即時性與協同作業特性的解決方案，打造智慧治理新典範。

實習內容

1.資料清理 5.設備嘗試以及架設 2.圖片標注 6.工地設備調整 3.模型訓練調適以及 7.專案維護測試 4.程式撰寫及開發

公司地址

台中市大雅區永和路95號

公司信箱電話

www.really greatsite.com support@microsys.com.tw

Testimonials

我學到了什麼？

Full-Stack AIoT Development Technology Matrix

  • 訓練端 (Server)

    NVIDIA RTX 5070 , MMYOLO, YOLOv8, PyTorch

  • 部署端 (Edge)

    部署端 (Edge) Memryx AI, Hailo-8 (Edge AI), AI Server (GPU)

  • 系統架構 (System)

    系統架構 (System) RTSP 即時串接, Docker 容器化, Linux Shell, API串接, 量化編譯

  • 數據管線 (Data)

    CVAT (資料標註), 影像清洗, 資料增強 (Augmentation)

  • 核心算法 (Algo)

    InsightFace (人臉辨識), ROI 優化 (工安偵測), Human-in-the-Loop

  • 前後端合作串接應用層 (App)

    前後端串接應用層 (App) Web Dashboard (Vue/React), Excel/CSV 報表匯出 , LINE Notify

  • 前後端合作串接應用層 (App)

    前後端串接應用層 (App) Web Dashboard (Vue/React), Excel/CSV 報表匯出 , LINE Notify

  • 核心算法 (Algo)

    InsightFace (人臉辨識), ROI 優化 (工安偵測), Human-in-the-Loop

  • 數據管線 (Data)

    CVAT (資料標註), 影像清洗, 資料增強 (Augmentation)

  • 系統架構 (System)

    系統架構 (System) RTSP 即時串接, Docker 容器化, Linux Shell, API串接, 量化編譯

  • 部署端 (Edge)

    部署端 (Edge) Memryx AI, Hailo-8 (Edge AI), AI Server (GPU)

  • 訓練端 (Server)

    NVIDIA RTX 5070 , MMYOLO, YOLOv8, PyTorch

Our work

作品專案介紹

See how we’ve transformed homes with our expert craftsmanship and attention to detail.

🔄基礎架構：工業級數據管線與極速訓練

半自動化數據管線 (Semi‑Auto Pipeline)

截圖與預處理： 使用 Python 腳本從影片批次擷取影格並自動命名/分類，接著執行 去重與模糊檢測，

保留高品質影像以降低後續標註成本。

預標註 (Pre‑annotation)： 以輕量物件偵測模型自動產生初始標框，將結果匯入 CVAT 供標註工程師快速校正，

達成 人機協作標註、大幅縮短人工時間。

資料增強與品質保證： 在標註後套用 Mosaic、Mixup 等增強策略並執行 驗收規則（標註一致性、IoU 閾值檢查），

確保訓練資料穩定且具代表性。

自動化工作流程： 以 pipeline 腳本串接抓取 → 預標註 → CVAT 校正 → 增強 → 匯出，並支援 版本控制 與資料回溯。

model

training

模型訓練

硬體加速： 採用 RTX 5070（Ada/Blackwell）提供高效能 GPU 計算，縮短每次訓練迴圈時間並提升批次大小彈性。

訓練框架與模型： 使用 PyTorch 結合 MMYOLO / YOLOv8，透過預訓練權重與遷移學習快速收斂。

優化技巧： 採用混合精度訓練（AMP）、學習率排程、以及量化感知微調，以在保持精度下提升推理效能。

資料策略： 結合 Mosaic / Mixup 等增強手法與平衡取樣（class balancing），提高模型在複雜工地場景下的穩定性與召回率。

監控與自動化： 整合實時訓練監控（損失、mAP）、自動早停與模型快照管理，確保訓練效率與可追溯性。

🔄基礎架構：工業級數據管線與極速訓練

半自動化數據管線 (Semi‑Auto Pipeline)

截圖與預處理： 使用 Python 腳本從影片批次擷取影格並自動命名/分類，接著執行 去重與模糊檢測，

保留高品質影像以降低後續標註成本。

預標註 (Pre‑annotation)： 以輕量物件偵測模型自動產生初始標框，將結果匯入 CVAT 供標註工程師快速校正，

達成 人機協作標註、大幅縮短人工時間。

資料增強與品質保證： 在標註後套用 Mosaic、Mixup 等增強策略並執行 驗收規則（標註一致性、IoU 閾值檢查），

確保訓練資料穩定且具代表性。

自動化工作流程： 以 pipeline 腳本串接抓取 → 預標註 → CVAT 校正 → 增強 → 匯出，並支援 版本控制 與資料回溯。

model

training

模型訓練

硬體加速： 採用 RTX 5070（Ada/Blackwell）提供高效能 GPU 計算，縮短每次訓練迴圈時間並提升批次大小彈性。

訓練框架與模型： 使用 PyTorch 結合 MMYOLO / YOLOv8，透過預訓練權重與遷移學習快速收斂。

優化技巧： 採用混合精度訓練（AMP）、學習率排程、以及量化感知微調，以在保持精度下提升推理效能。

資料策略： 結合 Mosaic / Mixup 等增強手法與平衡取樣（class balancing），提高模型在複雜工地場景下的穩定性與召回率。

監控與自動化： 整合實時訓練監控（損失、mAP）、自動早停與模型快照管理，確保訓練效率與可追溯性。

🔄基礎架構：工業級數據管線與極速訓練

半自動化數據管線 (Semi‑Auto Pipeline)

截圖與預處理： 使用 Python 腳本從影片批次擷取影格並自動命名/分類，接著執行 去重與模糊檢測，

保留高品質影像以降低後續標註成本。

預標註 (Pre‑annotation)： 以輕量物件偵測模型自動產生初始標框，將結果匯入 CVAT 供標註工程師快速校正，

達成 人機協作標註、大幅縮短人工時間。

資料增強與品質保證： 在標註後套用 Mosaic、Mixup 等增強策略並執行 驗收規則（標註一致性、IoU 閾值檢查），

確保訓練資料穩定且具代表性。

自動化工作流程： 以 pipeline 腳本串接抓取 → 預標註 → CVAT 校正 → 增強 → 匯出，並支援 版本控制 與資料回溯。

model

training

模型訓練

硬體加速： 採用 RTX 5070（Ada/Blackwell）提供高效能 GPU 計算，縮短每次訓練迴圈時間並提升批次大小彈性。

訓練框架與模型： 使用 PyTorch 結合 MMYOLO / YOLOv8，透過預訓練權重與遷移學習快速收斂。

優化技巧： 採用混合精度訓練（AMP）、學習率排程、以及量化感知微調，以在保持精度下提升推理效能。

資料策略： 結合 Mosaic / Mixup 等增強手法與平衡取樣（class balancing），提高模型在複雜工地場景下的穩定性與召回率。

監控與自動化： 整合實時訓練監控（損失、mAP）、自動早停與模型快照管理，確保訓練效率與可追溯性。

模型訓練 硬體加速： 採用 RTX 5070（Ada/Blackwell）提供高效能 GPU 計算，縮短每次訓練迴圈時間並提升批次大小彈性。 訓練框架與模型： 使用 PyTorch 結合 MMYOLO / YOLOv8，透過預訓練權重與遷移學習快速收斂。 優化技巧： 採用混合精度訓練（AMP）、學習率排程、以及量化感知微調，以在保持精度下提升推理效能。 資料策略： 結合 Mosaic / Mixup 等增強手法與平衡取樣（class balancing），提高模型在複雜工地場景下的穩定性與召回率。 監控與自動化： 整合實時訓練監控（損失、mAP）、自動早停與模型快照管理，確保訓練效率與可追溯性。

Rachel Morgan

核心專案一： 多硬體 NPU 工安偵測與智慧複判系統

半自動化數據管線 (Semi‑Auto Pipeline)

截圖與預處理： 使用 Python 腳本從影片批次擷取影格並自動命名/分類，接著執行 去重與模糊檢測，

保留高品質影像以降低後續標註成本。

預標註 (Pre‑annotation)： 以輕量物件偵測模型自動產生初始標框，將結果匯入 CVAT 供標註工程師快速校正，

達成 人機協作標註、大幅縮短人工時間。

資料增強與品質保證： 在標註後套用 Mosaic、Mixup 等增強策略並執行 驗收規則（標註一致性、IoU 閾值檢查），

確保訓練資料穩定且具代表性。

自動化工作流程： 以 pipeline 腳本串接抓取 → 預標註 → CVAT 校正 → 增強 → 匯出，並支援 版本控制 與資料回溯。



2. 工安邏輯與 ROI 視覺化設定

  • 互動式 ROI 繪製：Web 介面支援拖曳與多邊形繪製，精準鎖定危險區域並可儲存多套場景設定。

  • 違規持續時間設定：對安全帽、反光背心等違規行為設置「最小違規持續時間」，避免短暫通過造成誤判並減少冗餘錄影。

核心專案一： 多硬體 NPU 工安偵測與智慧複判系統

半自動化數據管線 (Semi‑Auto Pipeline)

截圖與預處理： 使用 Python 腳本從影片批次擷取影格並自動命名/分類，接著執行 去重與模糊檢測，

保留高品質影像以降低後續標註成本。

預標註 (Pre‑annotation)： 以輕量物件偵測模型自動產生初始標框，將結果匯入 CVAT 供標註工程師快速校正，

達成 人機協作標註、大幅縮短人工時間。

資料增強與品質保證： 在標註後套用 Mosaic、Mixup 等增強策略並執行 驗收規則（標註一致性、IoU 閾值檢查），

確保訓練資料穩定且具代表性。

自動化工作流程： 以 pipeline 腳本串接抓取 → 預標註 → CVAT 校正 → 增強 → 匯出，並支援 版本控制 與資料回溯。

External Works

1 month

模型訓練

硬體加速： 採用 RTX 5070（Ada/Blackwell）提供高效能 GPU 計算，縮短每次訓練迴圈時間並提升批次大小彈性。

訓練框架與模型： 使用 PyTorch 結合 MMYOLO / YOLOv8，透過預訓練權重與遷移學習快速收斂。

優化技巧： 採用混合精度訓練（AMP）、學習率排程、以及量化感知微調，以在保持精度下提升推理效能。

資料策略： 結合 Mosaic / Mixup 等增強手法與平衡取樣（class balancing），提高模型在複雜工地場景下的穩定性與召回率。

監控與自動化： 整合實時訓練監控（損失、mAP）、自動早停與模型快照管理，確保訓練效率與可追溯性。

核心專案一： 多硬體 NPU 工安偵測與智慧複判系統

半自動化數據管線 (Semi‑Auto Pipeline)

截圖與預處理： 使用 Python 腳本從影片批次擷取影格並自動命名/分類，接著執行 去重與模糊檢測，

保留高品質影像以降低後續標註成本。

預標註 (Pre‑annotation)： 以輕量物件偵測模型自動產生初始標框，將結果匯入 CVAT 供標註工程師快速校正，

達成 人機協作標註、大幅縮短人工時間。

資料增強與品質保證： 在標註後套用 Mosaic、Mixup 等增強策略並執行 驗收規則（標註一致性、IoU 閾值檢查），

確保訓練資料穩定且具代表性。

自動化工作流程： 以 pipeline 腳本串接抓取 → 預標註 → CVAT 校正 → 增強 → 匯出，並支援 版本控制 與資料回溯。

External Works

1 month

模型訓練

硬體加速： 採用 RTX 5070（Ada/Blackwell）提供高效能 GPU 計算，縮短每次訓練迴圈時間並提升批次大小彈性。

訓練框架與模型： 使用 PyTorch 結合 MMYOLO / YOLOv8，透過預訓練權重與遷移學習快速收斂。

優化技巧： 採用混合精度訓練（AMP）、學習率排程、以及量化感知微調，以在保持精度下提升推理效能。

資料策略： 結合 Mosaic / Mixup 等增強手法與平衡取樣（class balancing），提高模型在複雜工地場景下的穩定性與召回率。

監控與自動化： 整合實時訓練監控（損失、mAP）、自動早停與模型快照管理，確保訓練效率與可追溯性。

1. 異質晶片邊緣部署 Memryx (DFP) 與 Hailo‑8 (HEF)：將 YOLO 模型進行量化並部署於兩種加速晶片，實現高 FPS 即時推論與低延遲推理。 參數化調整 UI：前端提供動態靈敏度 (Sensitivity) 與最小/最大像素過濾設定，有效排除極小誤報物件並提升穩定性。

Michael Turner

👤 核心專案二：企業級人臉辨識與資料治理

Slide 1: 專案總覽｜企業級人臉辨識與資料治理

  • 高精度即時辨識：串接 InsightFace 與多台門禁攝影機，達成即時人臉擷取比對。

  • 智慧門禁與考勤：

    • 完整出入紀錄追蹤， CSV/Excel 報表匯出。

  • 企業級權限整合：基於角色與群組的權限控制。

Slide 2: 核心技術亮點 (1/2)｜效能與精準度優化

  • 頻寬極限壓縮 (Payload Optimization)

    • 捨棄 1080p 全景傳輸，僅上傳精準裁切的「人臉特徵圖」。

    • 成效：降低 90% 以上 API 頻寬負載，徹底解決 HTTP 400 請求阻塞。

  • 五官幾何防護 (Keypoint Yaw-Filtering)

    • 運算 5 大臉部關鍵點，精算「鼻尖偏離中心比例 (Yaw Ratio)」。

    • 成效：設立 0.35 閥值，在神經網路處理前「物理攔截」極端側臉，維持辨識池純淨度。

  • 動態邊距演算法 (Dynamic Padding)

    • 依據 Bounding Box 動態向外擴張 15%~30% 邊距，取代破壞性強銳化濾鏡。

    • 成效：完整保留頭部輪廓，大幅提升 AI「臉部轉正對齊」的特徵擷取成功率。

Slide 3: 核心技術亮點 (2/2)｜底層架構與高可用性

  • GPU 算力全面喚醒 (Hardware Acceleration)

    • 底層環境除錯，精準降版 ONNX Runtime 以對接伺服器原生 CUDA 11.x。

    • 成效：解決隱性 CPU 降級問題，使 RTSP 影像串流達到「實時 (Real-time)」處理幀率。

  • 多目標追蹤與冷卻機制 (ByteTrack & IoU)

    • 導入 ByteTrack 演算法結合交併比 (IoU)，實現高容錯率的多目標追蹤。

    • 成效：建立 API 推播冷卻機制，精準防止重複觸發與伺服器過載。

  • 架構解耦與綠色佈署 (Decoupling & Portable Routing)

    • 拔除 MediaPipe 以根除二進位衝突，統一由 InsightFace 執行偵測。

    • 導入動態路徑解析 (os.path.abspath)，實現跨設備「免改路徑、隨插即用」。

ai_face

6 weeks

👤 核心專案二：企業級人臉辨識與資料治理

半自動化數據管線 (Semi‑Auto Pipeline)

截圖與預處理： 使用 Python 腳本從影片批次擷取影格並自動命名/分類，接著執行 去重與模糊檢測，

保留高品質影像以降低後續標註成本。

預標註 (Pre‑annotation)： 以輕量物件偵測模型自動產生初始標框，將結果匯入 CVAT 供標註工程師快速校正，

達成 人機協作標註、大幅縮短人工時間。

資料增強與品質保證： 在標註後套用 Mosaic、Mixup 等增強策略並執行 驗收規則（標註一致性、IoU 閾值檢查），

確保訓練資料穩定且具代表性。

自動化工作流程： 以 pipeline 腳本串接抓取 → 預標註 → CVAT 校正 → 增強 → 匯出，並支援 版本控制 與資料回溯。

ai_face

6 weeks

模型訓練

硬體加速： 採用 RTX 5070（Ada/Blackwell）提供高效能 GPU 計算，縮短每次訓練迴圈時間並提升批次大小彈性。

訓練框架與模型： 使用 PyTorch 結合 MMYOLO / YOLOv8，透過預訓練權重與遷移學習快速收斂。

優化技巧： 採用混合精度訓練（AMP）、學習率排程、以及量化感知微調，以在保持精度下提升推理效能。

資料策略： 結合 Mosaic / Mixup 等增強手法與平衡取樣（class balancing），提高模型在複雜工地場景下的穩定性與召回率。

監控與自動化： 整合實時訓練監控（損失、mAP）、自動早停與模型快照管理，確保訓練效率與可追溯性。

👤 核心專案二：企業級人臉辨識與資料治理

半自動化數據管線 (Semi‑Auto Pipeline)

截圖與預處理： 使用 Python 腳本從影片批次擷取影格並自動命名/分類，接著執行 去重與模糊檢測，

保留高品質影像以降低後續標註成本。

預標註 (Pre‑annotation)： 以輕量物件偵測模型自動產生初始標框，將結果匯入 CVAT 供標註工程師快速校正，

達成 人機協作標註、大幅縮短人工時間。

資料增強與品質保證： 在標註後套用 Mosaic、Mixup 等增強策略並執行 驗收規則（標註一致性、IoU 閾值檢查），

確保訓練資料穩定且具代表性。

自動化工作流程： 以 pipeline 腳本串接抓取 → 預標註 → CVAT 校正 → 增強 → 匯出，並支援 版本控制 與資料回溯。

ai_face

6 weeks

模型訓練

硬體加速： 採用 RTX 5070（Ada/Blackwell）提供高效能 GPU 計算，縮短每次訓練迴圈時間並提升批次大小彈性。

訓練框架與模型： 使用 PyTorch 結合 MMYOLO / YOLOv8，透過預訓練權重與遷移學習快速收斂。

優化技巧： 採用混合精度訓練（AMP）、學習率排程、以及量化感知微調，以在保持精度下提升推理效能。

資料策略： 結合 Mosaic / Mixup 等增強手法與平衡取樣（class balancing），提高模型在複雜工地場景下的穩定性與召回率。

監控與自動化： 整合實時訓練監控（損失、mAP）、自動早停與模型快照管理，確保訓練效率與可追溯性。

InsightFace 高精度辨識與門禁： API 串接門禁攝影機： 即時人臉擷取與比對，支援多攝影機佈署。 門禁管理功能： 人員出入記錄。 出缺勤與報表： 自動生成出缺勤統計，支援 CSV/Excel 匯出與排班比對。 整合性權限控制： 支援角色與群組設定

Laura Davies

模型效能評估
(Model Performance Evaluation)

模型混淆矩陣

模型量級 (Model Size - S, M, L)

  • L (Large): 神經網絡最深、參數最多。優點是**「特徵萃取能力最強、精準度 (mAP) 最高」；缺點是「運算量大、耗費 GPU 資源、推論速度最慢」。適合部署在算力充足的訓練端或後端伺服器 (Server)**。

  • S (Small): 輕量化神經網絡。優點是**「推論速度 (FPS) 極快、記憶體佔用小」；缺點是對於極小或模糊物件的辨識極限不如大型模型。適合部署在算力受限的邊緣設備 (Edge)**。

  • M (Medium): 介於兩者之間，是精準度與速度的標準折衷方案。

輸入解析度 (Input Resolution - 640px vs 1080px)

  • 1080px (高解析度): 保留了極高的影像細節。對於工安場景中「遠距離的人員」或「佔比極小的安全帶掛鉤」，高解析度能大幅降低漏判率，但代價是運算時間增加。

  • 640px (標準解析度): YOLO 系列預設的黃金比例。能大幅降低運算負擔並提升畫面更新率（流暢度）。若攝影機距離適中，這是最具成本效益的選擇。

0fps

0fps

推論速度 (Inference Speed)

確保在邊緣設備上能達到即時 (Real-time) 的影像監控。

0%

0%

大物件平均精度 (mAP@0.5)

展現模型在所有類別上的綜合辨識精準度。

0+

0+

訓練資料量 (Dataset Size)

包含各種工地場景的高品質人工標註影像。

0%

0%

關鍵物件召回率 (Recall)

針對安全帽與反光背心，確保極低的漏判率以守護人員安全。

FAQs

實習心得與反思

實習心得與反思

Reflection on Internship Journey: Challenges, Growth & Future Vision

Reflection on Internship Journey: Challenges, Growth & Future Vision

Get in touch

挑戰 （Challenge）

在實習剛開始，我時常感到徬徨跟壓力，不知道該從何下手跟哪裡開始學。面對龐大的系統架構、環境建制上的不同、企業語法的不習慣與全新的硬體設備，難免會有無措與不安的時刻。跟在這個 AI 浪潮的尖端，突破框架以及創新的思考能力也是一大難點。

轉折（Turning Point)

幸好在老闆與同事的指導下，最終都能夠順利一起克服挑戰。透過持續學習與實踐，逐步熟悉業界的開發流程與系統架構，從最初的不安轉變為能夠獨立解決問題的信心。團隊的支持與專業指導是我成長過程中最重要的動力。

收穫(Achievement)

這一年實習當中磨練出了許多極為重要的技能——「理性思考發現問題的能力」、「隨機應變與解決問題的能力」、「創新思想以及發想的能力」。不僅完成了具備商業價值的 IoT 智慧工地 AI 系統，每個專案的全程參與到實際部署，以及走訪到工程的驗收跟後續的維護，從程式端到用戶端的每個細節都讓我受益良多。

展望(Future Vision)

回顧這段期間，雖然不算長，但卻讓我在大四的這一年收穫滿滿。希望在未來也能持續秉持這樣的學習精神，不斷成長與精進自己，持續縮短學術與實務之間的落差，將所學應用於更多實際場景，為產業創造更大的價值。

Contact

想問我們的問題

不管是有想詢問實習機會或在專題上遇到問提，還是有私訊我的都歡迎詢問我喔～～～

Office

428臺中市大雅區永和路95號

167-169 Great Portland Street,

W1W 5PF

Email

support@microsys.com.tw

Telephone

04-25680117

Follow us

看海報

趕快點！！

作品集

點我看ppt

Create a free website with Framer, the website builder loved by startups, designers and agencies.