導(dǎo)讀：本期為 AI 嵌入式簡(jiǎn)報(bào)：

今日推送干貨多多，為關(guān)注嵌入式AI的你量身定制~

1. 澎峰科技CEO張先軼詳解利用AI開(kāi)發(fā)板實(shí)現(xiàn)面向無(wú)人機(jī)的嵌入式視覺(jué)應(yīng)用開(kāi)發(fā)

本文為澎峰科技CEO張先軼在智東西主辦的“無(wú)人機(jī)視覺(jué)創(chuàng)新論壇”的演講內(nèi)容。張先軼老師的演講主題為《利用AI開(kāi)發(fā)板實(shí)現(xiàn)面向無(wú)人機(jī)的嵌入式視覺(jué)應(yīng)用開(kāi)發(fā)》。

在本次演講中，張先軼老師首先介紹了AI開(kāi)發(fā)板硬件選型，之后對(duì)嵌入式AI軟件性能和相關(guān)算法的優(yōu)化展開(kāi)詳細(xì)分析。

本文為此次演講的圖文整理。

演講的主題為《利用AI開(kāi)發(fā)板實(shí)現(xiàn)面向無(wú)人機(jī)的嵌入式視覺(jué)應(yīng)用開(kāi)發(fā)》，內(nèi)容主要分為以下3個(gè)部分：

1、AI開(kāi)發(fā)板硬件選型

2、嵌入式AI軟件性能優(yōu)化

3、嵌入式AI算法模型

2. TensorFlow為新舊Mac特供新版本，GPU可用于訓(xùn)練，速度最高提升7倍

蘋(píng)果「一呼百應(yīng)」的號(hào)召力在機(jī)器學(xué)習(xí)領(lǐng)域似乎也不例外。新版 Mac 推出還不到兩周，谷歌就把專為 Mac 優(yōu)化的 TensorFlow 版本做好了，訓(xùn)練速度最高提升到原來(lái)的 7 倍。
對(duì)于開(kāi)發(fā)者、工程師、科研工作者來(lái)說(shuō)，Mac 一直是非常受歡迎的平臺(tái)，也有人用 Mac 訓(xùn)練神經(jīng)網(wǎng)絡(luò)，但訓(xùn)練速度一直是一個(gè)令人頭疼的問(wèn)題。

上周，蘋(píng)果發(fā)布了搭載 Arm 架構(gòu) M1 芯片的三款新 Mac，于是就有人想問(wèn)：用它們訓(xùn)練神經(jīng)網(wǎng)絡(luò)能快一點(diǎn)嗎？

今天，主流機(jī)器學(xué)習(xí)框架 TensorFlow 發(fā)文表示：我們專門(mén)做了一版為 Mac 用戶優(yōu)化的 TensorFlow 2.4 框架，M1 版 Mac 和英特爾版 Mac 都能用。這一舉動(dòng)有望大幅降低模型訓(xùn)練和部署的門(mén)檻。

4. 420 FPS！LSTR：基于Transformer的車道線檢測(cè)網(wǎng)絡(luò)

論文：https://arxiv.org/abs/2011.04233

代碼即將開(kāi)源！

https://github.com/liuruijin17/LSTR

性能優(yōu)于PolyLaneNet等網(wǎng)絡(luò)，速度可高達(dá)420 FPS！

車道線檢測(cè)是將車道識(shí)別為近似曲線的過(guò)程，被廣泛用于自動(dòng)駕駛汽車的車道線偏離警告和自適應(yīng)巡航控制。流行的分兩步解決問(wèn)題的pipeline：特征提取和后處理。雖然有用，但效率低下，在學(xué)習(xí)全局上下文和通道的長(zhǎng)而細(xì)的結(jié)構(gòu)方面存在缺陷。

本文提出了一種端到端方法，該方法可以直接輸出車道形狀模型的參數(shù)，使用通過(guò)transformer構(gòu)建的網(wǎng)絡(luò)來(lái)學(xué)習(xí)更豐富的結(jié)構(gòu)和上下文。車道形狀模型是基于道路結(jié)構(gòu)和攝像頭姿勢(shì)制定的，可為網(wǎng)絡(luò)輸出的參數(shù)提供物理解釋。transformer使用自我注意機(jī)制對(duì)非局部交互進(jìn)行建模，以捕獲細(xì)長(zhǎng)的結(jié)構(gòu)和全局上下文。

該方法已在TuSimple基準(zhǔn)測(cè)試中得到驗(yàn)證，并以最輕巧的模型尺寸和最快的速度顯示了最新的準(zhǔn)確性。

此外，我們的方法對(duì)具有挑戰(zhàn)性的自收集車道線檢測(cè)數(shù)據(jù)集顯示出出色的適應(yīng)性，顯示了其在實(shí)際應(yīng)用中的強(qiáng)大部署潛力。

5. YOLOv4官方改進(jìn)版來(lái)了！55.8% AP！速度最高達(dá)1774 FPS，Scaled-YOLOv4正式開(kāi)源！

論文：

https://arxiv.org/2011.08036

GitHub ：https://github.com/WongKinYiu/ScaledYOLOv4

本文是YOLOv4的原班人馬（包含CSPNet一作與YOLOv4一作AB大神）在YOLO系列的繼續(xù)擴(kuò)展，從影響模型擴(kuò)展的幾個(gè)不同因素出發(fā)，提出了兩種分別適合于低端GPU和高端GPU的YOLO。

該文提出一種“網(wǎng)路擴(kuò)展(Network Scaling)”方法，它不僅針對(duì)深度、寬度、分辨率進(jìn)行調(diào)整，同時(shí)調(diào)整網(wǎng)絡(luò)結(jié)果，作者將這種方法稱之為Scaled-YOLOv4。

由此得到的YOLOv4-Large取得了SOTA結(jié)果：在MS-COCO數(shù)據(jù)集上取得了55.4%AP(73.3% AP50)，推理速度為15fps@Tesla V100；在添加TTA后，該模型達(dá)到了55.8%AP(73.2%AP50)。截止目前，在所有公開(kāi)論文中，YOLOv-Large在COCO數(shù)據(jù)集上取得最佳指標(biāo)。而由此得到的YOLOv4-tiny取得了22.0%AP(42.0%AP50)，推理速度為443fps@TRX 2080Ti；經(jīng)由TensorRT加速以及FP16推理，batchsize=4時(shí)其推理速度可達(dá)1774fps。

該文的主要貢獻(xiàn)包含以下幾點(diǎn)：

設(shè)計(jì)了一種強(qiáng)有力的“網(wǎng)絡(luò)擴(kuò)展”方法用于提升小模型的性能，可以同時(shí)平衡計(jì)算復(fù)雜度與內(nèi)存占用；

設(shè)計(jì)了一種簡(jiǎn)單而有效的策略用于擴(kuò)展大目標(biāo)檢測(cè)器；

分析了模型擴(kuò)展因子之間的相關(guān)性并基于最優(yōu)劃分進(jìn)行模型擴(kuò)展；

通過(guò)實(shí)驗(yàn)證實(shí)：FPN structure is inherently a once-for-all structure

基于前述分析設(shè)計(jì)了兩種高效模型：YOLOv4-tiny與YOLOv4-Large。

6. 人像摳圖已經(jīng)滿足不了研究者了，這個(gè)研究專門(mén)給動(dòng)物摳圖！

在這個(gè)圖像和視頻逐漸成為主流媒介的時(shí)代，大家早已對(duì)「摳圖」習(xí)以為常，說(shuō)不定還看過(guò)幾部通過(guò)「摳圖」拍攝的電視劇呢。然而，相比于人像摳圖，長(zhǎng)相各異、渾身毛茸茸的動(dòng)物似乎難度更大。

那么，是否有專用于動(dòng)物的摳圖技術(shù)呢？IEEE 會(huì)士 Jizhizi Li、陶大程等人就開(kāi)發(fā)了一個(gè)專門(mén)處理動(dòng)物摳圖的端到端摳圖技術(shù)。

動(dòng)物的外觀和毛皮特征給現(xiàn)有的方法帶來(lái)了挑戰(zhàn)，這些方法通常要求額外的用戶輸入（如 trimap）。

為了解決這些問(wèn)題，陶大程等人研究了語(yǔ)義和摳圖細(xì)節(jié)，將任務(wù)分解為兩個(gè)并行的子任務(wù)：高級(jí)語(yǔ)義分割和低級(jí)細(xì)節(jié)摳圖。具體而言，該研究提出了新型方法——Glance and Focus Matting network (GFM)，使用共享編碼器和兩個(gè)單獨(dú)的解碼器以協(xié)作的方式學(xué)習(xí)兩項(xiàng)子任務(wù)，完成端到端動(dòng)物圖像摳圖。

7. 英特爾發(fā)布首款用于5G、人工智能、云端與邊緣的結(jié)構(gòu)化ASIC

2020年11月18日，在英特爾FPGA技術(shù)大會(huì)上，英特爾發(fā)布了全新可定制解決方案英特爾 eASIC N5X，幫助加速5G、人工智能、云端與邊緣工作負(fù)載的應(yīng)用性能。該可定制解決方案搭載了英特爾 FPGA兼容的硬件處理器系統(tǒng)，是首個(gè)結(jié)構(gòu)化eASIC產(chǎn)品系列。英特爾 eASIC N5X通過(guò)FPGA中的嵌入式硬件處理器幫助客戶將定制邏輯與設(shè)計(jì)遷移到結(jié)構(gòu)化ASIC中，帶來(lái)了更低的單位成本，更快的性能和更低的功耗等好處。

英特爾 eASIC N5X器件作為具有創(chuàng)新性的新產(chǎn)品，與FPGA相比最高可降低50%的核心能耗和成本，與ASIC相比則提升了面市速度，降低了非重復(fù)性工程成本。用戶可以創(chuàng)建功耗優(yōu)化、高性能、高度差異化的解決方案。

8. M1808 AI 核心板搭載5G模塊，助力5G布局工業(yè)領(lǐng)域

關(guān)于5G 的討論，雖然目前更多的是聚焦于智能手機(jī)，但事實(shí)上，在5G的大應(yīng)用時(shí)代，智能手機(jī)只是其中很小的一部分，更多的應(yīng)用會(huì)聚焦于工業(yè)互聯(lián)網(wǎng)、物聯(lián)網(wǎng)、車聯(lián)網(wǎng)等，并悄無(wú)聲息地滲透到人們的生活當(dāng)中。

在2020年初，ZLG致遠(yuǎn)電子首款人工智能AI核心板M1808正式發(fā)布。該款核心板采用高端雙核架構(gòu)，集成神經(jīng)網(wǎng)絡(luò)處理器NPU，內(nèi)置專業(yè)AI算法，為用戶提供“硬件+軟件+算法”系統(tǒng)化解決方案。M1808還有豐富的外設(shè)接口，便于應(yīng)用擴(kuò)展。視頻支持MIPI/CIF/BT1120輸入，支持MIPI/RGB顯示輸出；具有PWM/I2C/SPI/UART等一系列傳感器輸入輸出接口；具有USB3.0/USB2.0/PCIE等高速設(shè)備接口，因此ZLG M1808 AI核心板同時(shí)支持有方的N510M 5G模塊驅(qū)動(dòng)。

M1808AI核心板搭配5G上網(wǎng)模塊Neoway N510M，產(chǎn)品具有出色的射頻性能，支持 5G、4G、3G，頻段覆蓋廣，支持SA與NSA組網(wǎng)方式，支持Sub-6GHz，覆蓋全面。集成各種網(wǎng)絡(luò)協(xié)議并提供行業(yè)標(biāo)準(zhǔn)接口，最大限度滿足eMBB場(chǎng)景下的超高速數(shù)據(jù)傳輸應(yīng)用，是電力物聯(lián)網(wǎng)、安防監(jiān)控、智慧能源、工業(yè)控制、智慧交通等領(lǐng)域的較好的選擇。

RT-Thread

讓物聯(lián)網(wǎng)終端的開(kāi)發(fā)變得簡(jiǎn)單、快速，芯片的價(jià)值得到最大化發(fā)揮。Apache2.0協(xié)議，可免費(fèi)在商業(yè)產(chǎn)品中使用，不需要公布源碼，無(wú)潛在商業(yè)風(fēng)險(xiǎn)。

原文標(biāo)題：【嵌入式AI周報(bào)】 M1808 AI 核心板搭載5G模、嵌入式視覺(jué)應(yīng)用開(kāi)發(fā)詳解！

文章出處：【微信公眾號(hào)：RTThread物聯(lián)網(wǎng)操作系統(tǒng)】歡迎添加關(guān)注！文章轉(zhuǎn)載請(qǐng)注明出處。