Xilinx推出reVISION堆栈 加速视觉导向机器学习市场布局

近日,赛灵思(Xilinx)宣布推出面向广泛视觉机器学习应用领域的reVISION堆栈。reVISION堆栈的推出将进一步补充和完善其此前发布的可重配置加速堆栈,大幅扩展赛灵思技术在机器学习应用领域从端到云的部署。据悉,reVISION旨在基于其全可编程的SoC平台提供整套目标应用所需的平台、算法和丰富的开发资源,解决80%的开发设计工作, 让开发者专注于20%自己所擅长的差异化工作,从而以快速开发出最具响应性的自主系统。

换句话说,全新的reVISION堆栈能够支持更广泛的嵌入式软件和系统工程师,使其即使没有或者很少硬件设计专业知识也可以使用赛灵思技术更轻松、更快速地开发视觉导向的智能系统。

目前,赛灵思全可编程解决方案在嵌入式视觉领域早已经被全球数百家用户所青睐。根据资料显示,迄今为止,在reVISION发布之前,全球已经有23家汽车制造商在85款不同车型的ADAS系统中部署了赛灵思嵌入式视觉系统,另外还有数百家嵌入式视觉用户在其他数千种应用中也部署了赛灵思视觉系统。其中至少有40家已经在开发或部署机器学习技术以大幅提高系统的智能。大多数的视觉用户都看准了 Zynq All Programmable SoC和MPSoC的应用。

随着人工智能时代的到来,众多的传统嵌入式视觉应用通过采用机器视觉和传感器融合技术后都在发生巨变。下一代应用包括协作机器人、具有感应和躲避功能的无人机、增强现实、自动驾驶汽车、自动化监视和医疗诊断等。

图片描述

赛灵思战略与市场营销部高级副总裁Steve Glaser介绍,赛灵思在设计开发新一代系统的时候,客户对应用系统提出了三大要求:首先必须要有非常快速的响应能力,因为很多应用都是实时的应用,必须能够非常高效地应用算法;第二,要足够灵活,系统要能跟着技术演进。因为机器学习技术变化非常快,一直在不断出现新的神经网络和算法,而且传感器技术也在不断发展;第三,现在是互联的世界,系统需要和其他的机器以及和云实现互联。

因此,赛灵思根据以上三大目标推出了新的技术方案, 且相比其它替代方案拥有明显优势。 通过推理和控制,赛灵思实现了传感器的最快响应时间,支持最新的神经网络,算法和传感器的可重构性,并支持与传统或新机器、网络和云的任意连接。

然而,赛灵思的这些技术优势此前只有那些拥有硬件或者RTL设计专长的专业用户才能受益,对于更广泛的应用和支持使用行业标准库和框架进行软件定义编程,还存在障碍。reVISION堆栈的诞生, 解决这个通往广泛应用的障碍。

图片描述

reVISION堆栈

据悉,赛灵思reVISION堆栈包括平台、算法和应用开发所需的丰富的开发资源,可支持最流行的神经网络, 包括 AlexNet、GoogLeNet、SqueezeNet、SSD和FCN。此外,该堆栈还提供了库元素,包括CNN网络层的预定义的优化型实现方案,这也是构建定制神经网(DNN/CNN)所必需的。

机器学习元素配合丰富的满足加速要求的OpenCV系列功能用于计算机视觉处理。对应用层开发来说,赛灵思支持业界标准的框架,包括用于机器学习的Caffe和用于计算机视觉的OpenVX。reVISION堆栈还包括赛灵思及第三方提供的开发平台,诸如各种类型的传感器。

reVISION堆栈能够支持更广泛的嵌入式软件和系统工程师,使其即使没有或者很少硬件设计专业知识也可以使用赛灵思技术更轻松、更快速地开发视觉导向的智能系统。在单个Zynq SoC或MPSoC上开发出嵌入式视觉应用,一旦将机器学习、计算机视觉、传感器融合和连接的优势融为一体,工程师将从中大受裨益。

图片描述

reVISION的软件定义设计流程

Steve Glaser表示,软件定义的reVISION流程支持响应最快系统的快速开发。相比现有的嵌入式CPU和典型SoC的性能参数相比,reVision流程在机器学习方面单位功耗图像捕获速度提升6倍,在计算机视觉处理的帧速率提升42倍,时延仅为1/5(以毫秒为单位),这些对实时应用而言都是至关重要的。

这两个技术指标意味着什么?它很大程度上决定了系统的整体性能。Steve Glaser举了一个例子,以一辆小汽车跟随在一辆小货车后面为例,这个小货车突然决定紧急停车。如果这个系统响应非常得快,时延非常低的话,可以有效避免碰撞。比如用reVISION,只需要2.7毫秒就可以停止,而即使采用业界最优秀的其他解决方案,可能需要49-320毫秒才能停住。如果汽车的时速是65英里/小时,停车的距离差可能就会从5英尺到33英尺,而其中的差距就是发生事故和没有发生事故的差别。

响应时间的的这些显著优点来源于Zynq SoC相对于嵌入式GPU和典型SoC的基本架构优势。嵌入式GPU和典型SoC需要从传感器到视觉、机器学习和控制处理频繁访问外部存储器。 相比之下,Zynq SoC部署了使用可编程逻辑和显著多得多的内部存储器实现的优化和流线型数据流。这不仅带来相对替代方案1/5的延迟,而且还实现了对于许多实时应用至关重要的确定性的响应能力。

目前,赛灵思在中国本地客户也对reVISION寄予厚望。据悉,赛灵思reVISION已经在深鉴科技、零度智控、威视锐等众多中国企业中获得应用,广受好评。


更多人工智能精彩内容,可关注以下微信订阅号和加入技术专家群。

图片描述

几个已经移植好的ZedBoard的嵌入式Linux 在ZedBoard上已经移植好的几个嵌入式Linux,包含Linux3.6版、PetaLinux 2015.2版、PetaLinux 2015.4版等。 立即下载

相关推荐

Xilinx FPGA开发攻略

Xilinx FPGA系列入门教程(一),——开发全攻略基础篇

XILINX深度神经网络学习库

更多精彩内容,请微信搜索“FPGAer俱乐部”关注我们。XILINX深度神经网络学习库,正式release啦! 现在以CHaiDNN 的名字在GitHub上开源!导读:CHaiDNN是XILINX为Ultrascale MPSoCs的加速提供的深度神经网络库文件。它是被设计用来最大化16位整型数据计算效率的。CHaiDNN的设计目标是以最高的性能实现最佳精度。 对CHaiDNN的推断在定点域中...

FPGAerClub的博客 3123

IGBT基础知识

IGBT

u010783226的专栏 1万+

xilinx reVISION 入门指南(简介)

文章目录一 简介1 the reVISION single sensor design2 the reVISION 8-stream VCU + CNN design(not available)二 软件工具,环境搭建硬件软件 一 简介 Xilinx™ reVISION stack 包括一系列用于平台,算法和应用程序开发的开发资源。官方支持ZCU102,ZCU104开发板(价格比较贵) reVIS...

weixin_43134018的博客 3300

嵌入式学习(29)-ASM330LHH驱动程序

ASM330LHH是一种系统级封装器件,具有3D数字加速度计和3D数字陀螺仪,扩展温度范围上限为+105 °C,适用于汽车非安全领域的应用。ASM330LHH 的满量程加速范围为±2 g、±4 g、±8 g 和 ±16 g,角速度范围扩展至 ±125 dps、±250 dps、±500 dps、±1000 dps、± 2000 dps 和 ±4000 dps,适合各种汽车应用。

剑藏锋的博客 1177

无感FOC之高频注入法——永磁同步电机控制

1.摘要电机运行在低速或零速时,磁链产生的反电动势很微弱,可用信号的信噪比太低,因而难以从反电动势中提取转子的位置和速度信息。因而在电机处于低速或零速时,需要借助电机的凸极特性来获取转子的位置信息。内置式永磁同步电机或磁密较大的表贴式永磁同步电机具有这种凸极特性,可借助高频电压注入法获取转子位置。2.凸极特性凸极电机内部的气隙是不均匀的,d轴和q轴的有效气隙是不同的,通俗来说在凸极电机里,q轴电感往往大于d轴电感,而在大部分表贴式永磁同步电机,气隙分布相对均匀,q轴电感近似于d轴电感。凸极率常用q轴电感和d

qq_2545470942的博客 2万+

Xilinx Zynq® SoC 和 MPSoC的reVISION堆栈平台

reVISION 可实现响应最快且可重配置的视觉系统 比一般 SoC 及嵌入式 GPU 响应性更高: 在机器学习中,每秒每瓦图像提升 6 倍 对于计算机视觉处理,每秒每瓦帧数提升 42 倍 时延仅为 1/5 可重新配置为最新的算法和传感器: 不断升级 至最新的机器学习算法 支持最新传感器类型及连接标准 支持高达 8K 的分辨率及自定义分辨率 软件定义及更高易用性:   随时可使用...

打怪升级ing 1337

「UG/NX」多功能dll集成一个dll的三种方法

C++多功能集成一个dll的三种方法。

何曾参静谧的博客 1390

Xilinx reVISION开搞!【reVISION】

最近购置了一些东东,内心是开心的,身心上是疲惫的。不废话了,上图~ 不够直观?看看这个,我第一次也被吓到了。 接下来就是重要的了~ 插上摄像头,来个demo测试一下。 凑合看吧。。,程序是光流

vacajk的博客 2134

【异常】OpenClaw报错 400 Total tokens of image and text exceed max message tokens. Request

OpenClaw报错400(Token超限)解决方案摘要 该报错因文本/图片总Token数超过模型限额导致,常见于多轮对话累积或单次请求过大。提供三级解决方案: 应急处理:输入"/new"指令清空会话历史,立即重置Token计数(90%问题可解决) 折中方案:保留历史对话前提下,通过精简当前输入、删除早期无关对话或拆分请求来压缩Token 专属处理:单次请求超限时,拆分长文本为2000字以内段落,或分批次上传降低分辨率图片 长期预防建议定期使用"/new"开启新会话,

奶爸的编程之路,也就一周冷个三天 1394

3D高斯压缩黑科技开源!1GB场景压到42MB,Web3D迎来“WebP时刻”——SOG格式深度解析

Web3D迎来革命性突破!PlayCanvas开源全新3D高斯泼溅压缩格式SOG,将1GB场景压缩至仅42MB,体积缩小95%,加载速度提升10倍+。SOG通过将3D数据编码为WebP纹理+元数据,实现GPU零拷贝实时渲染,完美兼容WebGL/WebGPU。实测显示,4百万高斯点的场景在手机上1.5秒内完成加载,内存占用降低83%。这一技术突破为电商展示、虚拟旅游、工业设计等领域带来新机遇,开发者可通过开源工具链快速集成。SOG被誉为"3D界的WebP",有望成为下一代3D互联网的基础设

这里汇聚了前沿的技术分享与实用的开发技巧,带你探索从创意到企业的技术创业之路。 868

深度学习入门:一句话告诉你什么是神经网络(CNN,RNN,DNN)

假设图3中m-1=1是输入层,我们需要识别一幅彩色图像,这幅图像具有四个通道ARGB(透明度和红绿蓝,对应了四幅相同大小的图像),假设卷积核大小为100*100,共使用100个卷积核w1到w100(从直觉来看,每个卷积核应该学习到不同的结构特征)。不知题主是否发现,RNN可以看成一个在时间上传递的神经网络,它的深度是时间的长度!而在RNN中,神经元的输出可以在下一个时间戳直接作用到自身,即第i层神经元在m时刻的输入,除了(i-1)层神经元在该时刻的输出外,还包括其自身在(m-1)时刻的输出!

Machine Learning with Tutors 6万+

基于哈夫曼编码的图像加密算法matlab仿真

哈夫曼编码是一种常用的无损数据压缩算法,其基本思想是根据字符出现的频率构造一棵哈夫曼树,将出现频率高的字符编码为短码,出现频率低的字符编码为长码,从而实现数据的压缩。在图像加密领域,哈夫曼编码也被广泛应用于图像加密算法中,基于哈夫曼编码的图像加密算法具有加密速度快、加密强度高等优点。基于哈夫曼编码的图像加密算法的基本思路是将待加密的图像分为多个小块,对每个小块进行哈夫曼编码,然后将哈夫曼编码后的结果进行异或运算,最后将异或运算后的结果重新编码,以实现图像加密。具体步骤如下:将待加密的图像分成多个小块。

平时工作较为繁忙,私信消息一般晚上回复,谢谢大家~~ 265

深度学习总结:深层神经网络(tensorflow实战)

tensorflow实战Google深度学习框架 人工智能、机器学习、深度学习关系图 人工智能:让计算机掌握人类看起来非常直观的常识,如自然语言理解、图像识别、语音识别等等          如何数字化表达现实世界中的实体  一旦解决数据表达和特征提取 人工智能任务解决了90% 机器学习:如果一个程序可以在任务T上,随着经验E的增加,效果P也可以随之增加,称程序可以从经验中学习。   ...

zhuimengshaonian66的博客 2252

YOLO11-pose关键点检测:训练实战篇 | 自己数据集从labelme标注到生成yolo格式的关键点数据以及训练教程

通过本教程,我们完整地学习了如何使用YOLO11-pose进行关键点检测任务的训练。从数据标注、格式转换到模型训练和评估,每个步骤都提供了详细的代码和说明。更高的精度:随着算法改进,关键点检测的精度将进一步提高实时性能:模型优化将使实时高性能关键点检测成为可能多模态融合:结合深度信息、热成像等多模态数据提升检测能力领域自适应:模型能够更好地适应不同场景和领域希望本教程能够帮助你在自己的项目中成功应用YOLO11-pose进行关键点检测。如果你有任何问题或建议,欢迎在评论区留言讨论!

QQ_778132974的博客 742

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

【深度学习】——神经网络DNN/CNN/RNN/LSTM内部结构区别

一、DNN深度神经网络 先说DNN,从结构上来说他和传统意义上的NN(神经网络)没什么区别,但是神经网络发展时遇到了一些瓶颈问题。一开始的神经元不能表示异或运算,科学家通过增加网络层数,增加隐藏层可以表达。并发现神经网络的层数直接决定了它对现实的表达能力。但是随着层数的增加会出现局部函数越来越容易出现局部最优解的现象,用数据训练深层网络有时候还不如浅层网络,并会出现梯度消失的问题...

汤庆 6034

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

一些并行计算的示例

GPU加速: https://github.com/Celebrandil/CudaSift 用CUDA实现SIFT特征检测 https://github.com/zhxfl/CUDA-CNN 用CUDA加速CNN网络 https://github.com/fixstars/libSGM 利用CUDA实现SGM(Semi Global Matching)半全局匹...

我們的第一要著,是在改變他們的精神 1973

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

基于XILINX FPGA的卷积神经网络(一)

基于fpga的卷积神经网络 前期准备工作 首先使用tensorflow设计卷积神经网络,并进行训练。方便起见,我使用了mnist数据集,设计的网络结构为: input layer  24x24 conv1 layer 20x20x6 maxpooling1 layer 10x10x6 conv2 layer 6x6x12 maxpooling2 layer 3x3x12 o

cj1343395571的博客 1万+

TensorFlow人工智能引擎入门教程之七 DNN深度神经网络 的原理 以及 使用

2019独角兽企业重金招聘Python工程师标准>>> ...

weixin_34342905的博客 199

Xilinx AXI4总线介绍

1、什么是AXI    AXI(Advanced eXtensible Interface)是一种总协议,该协议的第一个版本AXI3是ARM公司提出的AMBA(Advanced Microcontroller Bus Architecture)3.0协议中最重要的部分。2010发布的AMBA4.0包含了AXI的第二个版本AXI4。    AXI4包含3种类型的接口:    1)AXI4:主要面向高...

坚持 4万+

关于做深度学习 FPGA的几点考虑

考虑到用FPGA做深度学习,选择FPGA的问题。做了以下的考虑。

6330

Xilinx ZYNQ UltraScale+ MPSoC应用专栏系列连载[第四篇]相机和接口板

Xilinx ZYNQ UltraScale+ MPSoC应用专栏系列连载[第四篇]相机和接口板 ...

haoxingheng的专栏 5008

Xilinx SDK使用教程

本文参考 Xilinx SDK软件内置的教程,打开方法:打开SDK->Help->Cheet Sheets...->Xilinx SDK Tutorials,这里有6篇文档。本文详细介绍其中的4篇(与Application相关) 如何创建一个新的软件应用 1.打开SDK,切换到c/c++界面下。(有两个界面,还有一个是Debug界面,在软件右上角处切换) 2.指定一个新的硬件平台项目

Duino的工具箱 1万+

Xilinx ZCU106开发详解(Xilinx Zynq UltraScale+ MPSoC)

ZCU106开发详解之 Petalinux 2018.1安装创建Petalinux工程全记录 ZCU106开发详解之VIVADO开发环境的安装 ZCU106开发之PL侧闪灯 ZCU106开发之PS侧MIO闪灯 ZCU106开发之AXI_Bram ZCU106开发之AXI_HP ZCU106开发之AXI_DMA ZCU106开发之SFP ZCU106开发之PL侧DDR4 ZCU10...

lixiaolin126的博客 2万+

深度学习开源库tiny-dnn的使用(MNIST)

深度学习开源库tiny-dnn的使用(MNIST)

网络资源是无限的 1万+
上一篇: NETPAS:一家做SD-WAN+的公司凭啥跨越首屏延时等技术参数?
下一篇: 高性能全局事务服务GTS,让分布式事务简单高效
AI早餐汇
博客等级 码龄21年 759粉丝 316原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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