【视频】利用 Xilinx Vitis 加速 AI 摄像头开发

在网络培训、大数据和 ML 研究三方面快速发展的推动下,所谓“深度学习”正迅速成为主流。这种说法在嵌入式视觉应用中体现得最为明显,其最终目的是教会机器“领会”。嵌入式视觉应用的范围似乎是无穷无尽的,从确保生产线零缺陷的机器视觉摄像头,到监控交通、检测盗窃和灾难的杆装“智慧城市”摄像头,再到将您在网上购买的东西直接送到家门口的机器人,无所不包。 然而,卷积神经网络 (CNN) 推断计算成本极高,每次推断都需要数十亿次运算。此外,许多关键应用还需要极低的时延,而且还必须支持极高的帧速率。 鉴于这些限制以及对不足 10W 功耗、高可靠性、安全性和长时间产品使用寿命的需求,我们怎样才能设计出能够提供所需 ML 推断性能的集成式摄像头?

在本次网络研讨会上,我们将从不同的角度探讨这个主题:

  • CNN 推断的重要挑战是什么?
  • 需要什么水平的性能,什么样的性能才可行?
  • 我们如何利用支持 Vitis 的 Xilinx MPSoC 器件加速 CNN 推断?
  • 嵌入式视频编解码器在 MPSoC 器件系列中的功能和优势是什么?
  • 有哪些方法可用于整合图像传感器流水线?
  • 推荐阅读