资料下载
×
使用 FPGA 构建具有机器学习功能的高性能嵌入式视觉应用
消耗积分:0 |
格式:pdf |
大小:371.92KB |
2022-11-25
廉鼎琮
分享资料个
来自相机和其他设备的可用数据的快速增长推动了机器学习的使用，以从汽车、安全和其他应用程序的图像中提取更多有用的信息。专用设备有望在嵌入式视觉应用中实现高性能机器学习 (ML) 推理。然而，尽管人工智能 (AI) 研究人员正在迅速发展新方法，但其中许多设备仍处于开发的早期阶段，因为它们的设计人员正在努力寻找最有效的算法。来自相机和其他设备的可用数据的快速增长推动了机器学习的使用，以从汽车、安全和其他应用程序的图像中提取更多有用的信息。专用设备有望在嵌入式视觉应用中实现高性能机器学习 (ML) 推理。然而，尽管人工智能 (AI) 研究人员正在迅速发展新方法，但其中许多设备仍处于开发的早期阶段，因为它们的设计人员正在努力寻找最有效的算法。目前，开发人员使用可用的基于 FPGA 的 ML 平台来创建能够满足更高性能要求的嵌入式视觉系统。同时，他们可以保持跟上机器学习进步所需的灵活性。目前，开发人员使用可用的基于 FPGA 的 ML 平台来创建能够满足更高性能要求的嵌入式视觉系统。同时，他们可以保持跟上机器学习进步所需的灵活性。本文将描述 ML 处理的要求以及 FPGA 解决许多性能问题的原因。然后将介绍合适的基于 FPGA 的 ML 平台及其使用方法。本文将描述 ML 处理的要求以及 FPGA 解决许多性能问题的原因。然后将介绍合适的基于 FPGA 的 ML 平台及其使用方法。机器学习算法和推理引擎机器学习算法和推理引擎在 ML 算法中，卷积神经网络 (CNN) 已成为图像分类的首选解决方案。它们在图像识别方面实现高准确率的能力推动了它们在智能手机、安全系统和汽车驾驶员辅助系统等各种平台上的广泛应用。CNN 是一种深度神经网络 (DNN)，它使用包含专门层的神经网络架构，这些层从图像中提取特征，并在对标记图像进行训练期间使用这些特征对图像进行分类（请参阅“在 ML 算法中，卷积神经网络 (CNN) 已成为图像分类的首选解决方案。它们在图像识别方面实现高准确率的能力推动了它们在智能手机、安全系统和汽车驾驶员辅助系统等各种平台上的广泛应用。CNN 是一种深度神经网络 (DNN)，它使用包含专门层的神经网络架构，这些层从图像中提取特征，并在对标记图像进行训练期间使用这些特征对图像进行分类（请参阅“使用现成的硬件开始机器学习和软件使用现成的硬件开始机器学习和软件”）。”）。CNN 开发人员通常在高性能系统或云平台上进行训练，使用图形处理单元 (GPU) 来加速在通常数量为数百万的标记图像数据集上训练模型所需的大量矩阵计算。训练后，经过训练的模型用于推理应用程序，对视频流中的新图像或帧进行分类。部署用于推理时，经过训练的模型仍然需要执行相同的矩阵计算，但由于输入量少得多，开发人员可以将 CNN 用于在通用硬件上运行的适度机器学习应用程序（请参阅“CNN 开发人员通常在高性能系统或云平台上进行训练，使用图形处理单元 (GPU) 来加速在通常数量为数百万的标记图像数据集上训练模型所需的大量矩阵计算。训练后，经过训练的模型用于推理应用程序，对视频流中的新图像或帧进行分类。部署用于推理时，经过训练的模型仍然需要执行相同的矩阵计算，但由于输入量少得多，开发人员可以将 CNN 用于在通用硬件上运行的适度机器学习应用程序（请参阅“使用树莓派使用树莓派”）。”）。然而，对于许多应用程序而言，通用平台缺乏在 CNN 推理中实现高精度和高性能所需的性能。优化技术和 MobileNet 或 SqueezeNet 等替代 CNN 架构有助于降低平台要求，但通常会以准确性和推理延迟为代价，这可能会与应用程序要求发生冲突。然而，对于许多应用程序而言，通用平台缺乏在 CNN 推理中实现高精度和高性能所需的性能。
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。 举报投诉
评论(0)
发评论
- 相关下载
- 相关文章
