Kria SOM 加速实现从算法到机器学习模型

不久以前，从算法到现场机器学习（ ML ）模型仍然需要经历漫长而复杂的道路。对于一些企业而言，如果能够接触到具有神经网络部署经验的 ML 专家，则可能会有一些选择，但其开发工作却非常耗时。赛灵思依托 ViTIs 统一软件平台以及近期推出的 KRIA SOM （System-on-Module），缩短了这一过程。DornerWorks 是 KRIA SOM 生态系统合作伙伴，正帮助各个机构在这个具有变革意义的平台上部署其 ML 算法和 IP。

是伙伴，更是专业开发者

DornerWorks 不仅是赛灵思卓越合作伙伴（ Xilinx Premier Partner），也是与赛灵思合作推出全新 KRIA SOM 产品组合的设计服务合作伙伴。从事 ML/AI 项目、嵌入式器件和系统架构的开发者，能够借助 DornerWorks 算法集成专业知识，运用 KRIA SOM 创新的硬件与软件特性，加快其产品的开发速度。

DornerWorks 工程师 Shawn Barber 就开发了一款 KRIA SOM 机器学习演示，通过部署一种目标检测算法来定位和测量人眼间距。KIRA 的其他应用还涵盖工业检视、搜索与救援、交通安全监控和自动系统。

DornerWorks 开发的机器学习演示在赛灵思 KRIA SOM 上运行，能够识别人眼，围绕人眼绘制边框并测量人眼间距。

用设计提高性能上限

KRIA K26 SOM 构建在 Zynq® UltraScale+™ MPSoC 架构上，该架构内置一个四核 Arm® Cortex® A53 处理器、超过 25 万个逻辑单元，以及一个 H.264/265 视频编解码器。此外，SOM 还拥有 4GB DDR4 内存和 245 个 IO，因而能够适配几乎任何传感器或接口。这种灵活性是 KRIA SOM 最具吸引力的特性之一。

Barber 表示，在 FPGA 上运行 AI 检测引擎和其他组件，可以便于开发者按需适配计算单元。“如果您的条件相当有限，您可以缩小 FPGA 占板面积；而如果您希望获得较高性能，则可以扩大 FPGA 占板面积。此外，它还为您提供了额外的灵活性，可以将它移植到摄像头等其他外设上。”

与基于 GPU 的 SOM 相比，KRIA K26 SOM 的 AI 算力达 1.4TOPS，可以助力开发者开发出性能在 3 倍以上、时延与功耗却更低的视觉 AI 应用，这对安全摄像头、城市摄像头、交通摄像头、零售分析、机器视觉和视觉引导机器人等智能视觉应用而言至关重要。　　

      审核编辑：彭静

机器学习神经网络模型算法

免责声明：本网信息来自于互联网，目的在于传递更多信息，并不代表本网赞同其观点。其原创性以及文中陈述文字和内容未经本站证实，对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性本站不作任何保证或承诺，并请自行核实相关内容。本站不承担此类作品侵权行为的直接责任及连带责任。如若本网有任何内容侵犯您的权益，请及时联系我们，本站将会在24小时内处理完毕。