利用Deeplite之软件结合晶心科技RISC-V CPU处理器 达到更快、更小、更准的边缘运算

搜索最新SoC解决方案
关于汽车电子...物联网...安全...音频...视频

www.eetrend.com/, Mar. 19, 2021 – 

在边缘运算设备上，推动低功耗和低延迟深度的学习模型、计算器硬件以及人工智能推理系统这些项目的发展，持续创造令人兴奋的新机遇。业界相关产业对于应用在深度学习的硬件和软件解决方案（也称为Edge AI，边缘运算）的开发产生了前所未有的兴趣。边缘运算已经开始在某些指标性的应用中取得进展，例如音频信号分类(audio classification)中的关键词搜寻(keyword spotting)、异常检测(anomaly detection)以及计算机视觉应用中的人物辨识(person detection)。具体来说，tinyML是专为超低功耗系统量身订作的机器学习分支，具有远大的前景。这个提案中之解决方案的效率极高（功耗为毫瓦(mW)，甚至只有微瓦(μW)），加上其可广泛地部署到此类边缘运算在现实环境中设备的适用性，预计在未来5年内，将应用在超过1000亿个IoT传感器和设备[1]。蓄势待发之深度学习科技的未来，将通过比以往更加可负担、具有友善生态系、以及更容易使用的智能科技，提供客户及终端使用者更显着的便利。

晶心科技和Deeplite很高兴地宣布两家公司最新合作成果–通过使用Deeplite独特的优化软件和晶心科技低功耗RISC-V CPU核心研发出具有人工智能运算能力的应用程序(AI-powered applications)。这项合作关系着重于压缩(compressing)并加速(accelerating)著名的视觉唤醒词(Visual Wake Words (VWW))应用程序。微型相机可以利用此类程序，进行人物图像侦测。Deeplite及晶心科技共同获得了领先业界的结果，从利用浮点运算的Mobilenet-v1-0.25x模型中，产出各式优化的INT8模型。本次发表的第一组研发结果侧重于提高精确性，以精度为主的INT8模型优化提高了2.7％的精度，缩小了1.7倍(172 KB)的档案大小以及提高了9%的执行速度。第二组结果主要着重于最大化压缩(maximizing compression)。与TensorFlow Lite Micro提供的INT8 模型相比，本组专注于模型档案尺寸最小化的模块，成功做到缩小2.3倍(127KB)的档案大小，更高的精度(0.7％)和提高了15％的执行速度。

点击阅读更多

 Back