YouTube 推出新工具，帮助品牌商强化 Shorts 广告投放效果

最新推荐文章于 2025-04-28 11:29:15 发布
最新推荐文章于 2025-04-28 11:29:15 发布
阅读量379 收藏
点赞数 3
CC 4.0 BY-SA版权
文章标签： 数据分析 数据挖掘 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/TOPSTIP/article/details/143796063

YouTube 推出新功能，帮助品牌商利用创作者内容强化 Shorts 广告投放效果。

YouTube 正在推出的新功能旨在让其平台对广告商更加友好。

主要举措包括：

  • 格式购买控制，以定制广告投放位置，例如仅在 Shorts 上投放广告活动

  • 专为 Shorts 设计的新广告格式，如互动“贴纸”和动画图片广告

  • ……

。。。。。。详情请点击原文查看：YouTube 推出新工具，帮助品牌商强化 Shorts 广告投放效果

Topstip
关注
rknn3588如何查看npu使用情况
重剑无锋博客
08-11 4214
这个示例将使用时间作为X轴，内存使用量作为Y轴，并绘制两条折线，分别代表Resident Set Size (RSS)和Virtual Size (VSZ)。你可以使用pidstat命令来监视特定进程的内存使用情况，并将数据输出到文件中。在Linux中，你可以使用一些工具和命令来绘制某一进程的实时内存折线图。这将生成一个名为memory_graph.png的图像文件，显示进程的实时内存使用情况的折线图。请注意，这只是一个示例，你可以根据你的需求进行调整和修改，以适应你特定进程的内存数据和绘图要求。
1.6 rk3588 查看CPU,GPU相关的命令
11-07 2136
查看NPU使用率，需要root权限。# 查看NPU可用的频率,然后设置频率。# 查看NPU当前工作频率。
RK3588平台典型AGV应用案例及技术解析
最新发布
YEYUANGEN的专栏
04-28 1375
以上参数综合体现了RK3588在机器人控制领域的高性能、低延迟与强扩展性优势，覆盖从智能仓储到复杂工业场景的全方位需求15。以上案例综合了RK3588、RK3568等芯片在不同场景下的性能优势，覆盖从高端动态避障到低成本固定路线的全谱系需求。深圳信迈提供RK3588机器人控制器解决方案。
神经网络部署-RK3588部署实践和学习
10-21
神经网络部署-RK3588部署实践和学习
RK3588查看gpu和npu占用的方法
Alon1787的博客
10-16 2512
RK3588查看gpu和npu占用的方法
多线程异步提高RK3588的NPU占用率，进而提高yolov5s帧率
m0_62740527的博客
04-30 2万+
作者手头上有一块香橙派5，其搭载有一颗三核心6TOPS算力的NPU, 由于发布时间不长，社区的资料还是比较匮乏, 所以在这里写一下关于如何提高NPU使用率的教程文章和代码使用yolov5s进行讲解, 其他模型如resnet之类的同理,稍作修改就可以使用。由于已经有很多人,如等做了如何通过修改模型提高视频推理帧率的教程, 这里我就主要讲另外一种性能的方法——多线程异步。
使用python多线程异步提高模型部署到rk3588NPU使用率-python源码+项目使用说明.zip
05-10
使用python多线程异步提高模型部署到rk3588NPU使用率_python源码+项目使用说明.zip 【项目资源说明】 使用多线程异步操作rknn模型, 提高rk3588/rk3588s的NPU使用率, 进而提高推理帧数(rk3568之类修改后应该也能使用, 但是作者本人并没有rk3568开发板......) 此分支使用模型yolov5s_relu_tk2_RK3588_i8.rknn, 将yolov5s模型的激活函数silu修改为为relu,在损失一点精度的情况下获得较大性能提升,详情见于rknn_model_zoo 部署应用 修改main.py下的modelPath为你自己的模型所在路径 修改main.py下的cap为你想要运行的视频/摄像头 修改main.py下的TPEs为你想要的线程数, 具体可参考下表 修改func.py为你自己需要的推理函数, 具体可查看myFunc函数 多线程模型帧率测试 使用performance.sh进行CPU/NPU定频尽量减少误差 测试模型为yolov5s_relu_tk2_RK3588_i8.rknn 【备注】更多详细介绍请看说明和代码！
rk3588实时查看NPU使用情况命令、​Linux中使用nvidia-smi命令实时查看GPU使用情况​
lqq
12-23 1167
0.01 表示每隔0.01秒刷新一次GPU使用情况;0.01 表示每隔0.01秒刷新一次NPU使用情况;其次还有Linux中使用。
ROCKCHIP ~ 查看NPU/GPU/CPU 频率/使用率
南柯好萌的博客
06-28 7305
【代码】ROCKCHIP ~ 查看NPU/GPU/CPU 频率/使用率。
rknn相关npu状态查看
m0_60827485的博客
06-21 1100
1、使用系统信息获得npu使用情况。
RK3588实战：调用npu加速，yolov5识别图像、ffmpeg发送到rtmp服务器
热门推荐
zichuanning520的博客
03-02 2万+
rk3588做的小项目，用到ffmpeg、openCV、npu等相关部分。
使用瑞芯微RK3588的NPU进行模型转换和推理
old_power的博客
02-12 3086
使用边缘设备进行算法落地时，通常要考虑模型推理速度，NVIDA系列平台可以使用TensorRT和CUDA加速，瑞芯微RK3588的板子上都是Arm的手机GPU，虽然没有类似CUDA的加速计算方式，但是提供了NPU进行加速推理，本文说明了如何使用瑞芯微RK3588的NPU进行模型转换和推理
RK3588芯片NPU的使用：官方rknn_yolov5_android_apk_demo运行与解读
懒人的技术笔记
04-24 1500
本文将完成两项任务： - 官方的调用摄像头动态目标识别例子运行在rk3588的开发板上。 - 解读源码以增加对rknn开发的认识。
【使用RK3588 通过NPU部署YOLOv5目标检测文章参考速通】
weixin_47869094的博客
08-14 2331
国内多线程异步提高RK3588的NPU占用率，进而提高yolov5s帧率文章和代码使用yolov5s进行讲解, 其他模型如resnet之类的同理,稍作修改就可以使用。由于已经有很多人,如， 孙尧等做了如何通过修改模型提高视频推理帧率的教程, 这里我就主要讲另外一种性能的方法——多线程异步。
RK3588平台开发系列讲解（NPU篇）NPU 驱动的组成
内核笔记
01-18 883
沉淀、分享、成长，让自己和他人都能有所收获！😄。
RK主机 CPU、NPU使用频率查看和设置
weixin_48306625的博客
09-14 3402
【代码】RK主机 CPU、NPU使用频率查看和设置。
rk3588对npu的再探索，yolov5使用rknn模型推理教程
振华OPPO的博客世界
08-17 1万+
博主在瑞芯微ITX-3588J-8K的开发板上跑了yolov5目标检测算法，调用了外置相机获取rtsp视频流，但是每帧处理需要833ms左右，和放PPT一样。本来想使用tensorrt进行加速推理，但是前提需要cuda，rk的板子上都是arm的手机gpu，没有nvidia的cuda，所以不能这样适配。那么转过来，使用开发板自带的NPU进行加速推理，岂不是最佳方案，因为它本身就是人工智能开发板，不用NPU相当于没有发挥它的全部能力。.........
RK3588 NPU开发环境搭建
阿xin*的嵌入式AI
09-01 1076
搭建RK3588 RKNN开发环境，并通过Python和C例子运行在板端的例子，体验了NPU运行AI模型的全过程。
rk3588调用npu
02-16
### RK3588平台NPU调用方法 #### 创建和初始化NPU环境 为了在RK3588平台上成功调用NPU进行神经网络推理或加速，首先需要确保设备已正确配置并加载了相应的驱动程序。Rockchip的官方固件通常已经预装了RKNPU驱动[^3]。 一旦确认硬件准备就绪，可以通过以下方式创建和初始化NPU环境： ```cpp #include "rknn_api.h" // 初始化模型路径和其他参数 const char* model_path = "./model.rknn"; int ret; rknn_context ctx; ret = rknn_init(&ctx, model_path, 0, 0, NULL); if (ret < 0) { printf("Failed to initialize rknn context\n"); } ``` 这段代码展示了如何使用`rknn_api.h`库来初始化一个RKNN上下文对象，这一步骤对于后续的操作至关重要[^2]。 #### 加载和编译模型 接下来，在实际运行之前还需要加载预先训练好的神经网络模型文件（通常是`.rknn`格式）。此过程涉及读取模型二进制数据，并将其传递给RKNN API以便内部处理和优化。 ```cpp // 假设模型已经被转换成 .rknn 文件格式 char *model_data; // 模型的数据指针 size_t model_size; // 模型大小 FILE *fp = fopen(model_path, "rb+"); fseek(fp, 0L, SEEK_END); model_size = ftell(fp); rewind(fp); model_data = (char *)malloc(sizeof(char)*model_size); fread(model_data, sizeof(unsigned char), model_size, fp); fclose(fp); // 将模型数据传入RKNN API ret = rknn_load_rknn(ctx, &model_data, &model_size); free(model_data); if(ret != 0){ printf("Load Model Failed!\n"); } else{ printf("Model Loaded Successfully.\n"); } ``` 这里说明了从磁盘读取模型文件的具体操作流程，并通过API函数将这些信息提交给了底层框架去解析和设置好用于推断所需的资源[^1]。 #### 执行前向传播计算 当一切准备工作完成后就可以开始真正的预测工作——即让NPU执行一次完整的前向传播运算。这个阶段主要是构建输入张量、启动异步任务以及收集输出结果。 ```cpp float input_tensor[INPUT_SIZE]; // 输入特征图数组 float output_tensors[MAX_OUTPUTS][OUTPUT_SIZE]; // 输出特征图数组 struct rknn_input inputs[] = {{input_tensor}}; struct rknn_output outputs[MAX_OUTPUTS]; for(int i=0;i<NUM_ITERATIONS;++i){ memset(inputs, 0 ,sizeof(struct rknn_input)); memcpy(input_tensor, inputData[i], INPUT_SIZE*sizeof(float)); // 启动推理任务 ret = rknn_run(ctx, nullptr); if(ret!=0){ printf("Inference failed at iteration %d", i); break; } // 获取输出结果 for(size_t j=0;j<num_outputs;++j){ struct rknn_output& out = outputs[j]; size_t bufSize = OUTPUT_SIZE * sizeof(float); void* buffer = malloc(bufSize); ret = rknn_get_output(ctx, j, &out.datatype, &buffer, &bufSize, false); if(!ret && buffer){ memcpy(output_tensors[j], buffer, bufSize); free(buffer); } } } printf("All iterations completed successfully."); ``` 上述片段体现了典型的基于RKNN SDK的应用场景：先准备好待测样本作为输入；接着触发内核中的计算逻辑；最后获取到经过变换后的响应值供下一步分析所用[^4]。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值