Kria SOM 加速实现从算法到机器学习模型

FPGA开发圈 2021-05-14 08:30

【50份好礼】首发直播：解密Keysight最新模拟信号源 精密双向电流感应放大器设计方案

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。

赛灵思® KRIA SOM (System-on-Module)

想了解Kria SOM背后的更多设计故事

请点击阅读原文或扫描下方二维码

报名参加研讨会并获取SOM 中文版电子书

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。

*作者：Matthew Russell , DornerWorks 市场营销专员

登录阅读全文



免责声明：该内容由专栏作者授权发布或作者转载，目的在于传递更多信息，并不代表本网赞同其观点，本站亦不保证或承诺内容真实性等。若内容或图片侵犯您的权益，请及时联系本站删除。侵权投诉联系： nick.zong@aspencore.com！

FPGA开发圈这里介绍、交流、有关FPGA开发资料（文档下载，技术解答等），提升FPGA应用能力。

进入专栏

FPGA开发圈这里介绍、交流、有关FPGA开发资料（文档下载，技术解答等），提升FPGA应用能力。

文章：2947篇粉丝：47人

 私信

Kria SOM 加速实现从算法到机器学习模型

最近文章

热门文章

推荐

最新资讯