電子發燒友網>電子資料下載>電子資料>使用 FPGA 構建具有機器學習功能的高性能嵌入式視覺應用

使用 FPGA 構建具有機器學習功能的高性能嵌入式視覺應用

2388721 2022-11-25 | pdf | 371.92KB | 次下載 | 免費

資料介紹

來自相機和其他設備的可用數據的快速增長推動了機器學習的使用，以從汽車、安全和其他應用程序的圖像中提取更多有用的信息。專用設備有望在嵌入式視覺應用中實現高性能機器學習 (ML) 推理。然而，盡管人工智能 (AI) 研究人員正在迅速發展新方法，但其中許多設備仍處于開發的早期階段，因為它們的設計人員正在努力尋找最有效的算法。來自相機和其他設備的可用數據的快速增長推動了機器學習的使用，以從汽車、安全和其他應用程序的圖像中提取更多有用的信息。專用設備有望在嵌入式視覺應用中實現高性能機器學習 (ML) 推理。然而，盡管人工智能 (AI) 研究人員正在迅速發展新方法，但其中許多設備仍處于開發的早期階段，因為它們的設計人員正在努力尋找最有效的算法。目前，開發人員使用可用的基于 FPGA 的 ML 平臺來創建能夠滿足更高性能要求的嵌入式視覺系統。同時，他們可以保持跟上機器學習進步所需的靈活性。目前，開發人員使用可用的基于 FPGA 的 ML 平臺來創建能夠滿足更高性能要求的嵌入式視覺系統。同時，他們可以保持跟上機器學習進步所需的靈活性。本文將描述 ML 處理的要求以及 FPGA 解決許多性能問題的原因。然后將介紹合適的基于 FPGA 的 ML 平臺及其使用方法。本文將描述 ML 處理的要求以及 FPGA 解決許多性能問題的原因。然后將介紹合適的基于 FPGA 的 ML 平臺及其使用方法。機器學習算法和推理引擎機器學習算法和推理引擎在 ML 算法中，卷積神經網絡 (CNN) 已成為圖像分類的首選解決方案。它們在圖像識別方面實現高準確率的能力推動了它們在智能手機、安全系統和汽車駕駛員輔助系統等各種平臺上的廣泛應用。CNN 是一種深度神經網絡 (DNN)，它使用包含專門層的神經網絡架構，這些層從圖像中提取特征，并在對標記圖像進行訓練期間使用這些特征對圖像進行分類（請參閱“在 ML 算法中，卷積神經網絡 (CNN) 已成為圖像分類的首選解決方案。它們在圖像識別方面實現高準確率的能力推動了它們在智能手機、安全系統和汽車駕駛員輔助系統等各種平臺上的廣泛應用。CNN 是一種深度神經網絡 (DNN)，它使用包含專門層的神經網絡架構，這些層從圖像中提取特征，并在對標記圖像進行訓練期間使用這些特征對圖像進行分類（請參閱“使用現成的硬件開始機器學習和軟件使用現成的硬件開始機器學習和軟件”）。”）。CNN 開發人員通常在高性能系統或云平臺上進行訓練，使用圖形處理單元 (GPU) 來加速在通常數量為數百萬的標記圖像數據集上訓練模型所需的大量矩陣計算。訓練后，經過訓練的模型用于推理應用程序，對視頻流中的新圖像或幀進行分類。部署用于推理時，經過訓練的模型仍然需要執行相同的矩陣計算，但由于輸入量少得多，開發人員可以將 CNN 用于在通用硬件上運行的適度機器學習應用程序（請參閱“CNN 開發人員通常在高性能系統或云平臺上進行訓練，使用圖形處理單元 (GPU) 來加速在通常數量為數百萬的標記圖像數據集上訓練模型所需的大量矩陣計算。訓練后，經過訓練的模型用于推理應用程序，對視頻流中的新圖像或幀進行分類。部署用于推理時，經過訓練的模型仍然需要執行相同的矩陣計算，但由于輸入量少得多，開發人員可以將 CNN 用于在通用硬件上運行的適度機器學習應用程序（請參閱“使用樹莓派使用樹莓派”）。”）。然而，對于許多應用程序而言，通用平臺缺乏在 CNN 推理中實現高精度和高性能所需的性能。優化技術和 MobileNet 或 SqueezeNet 等替代 CNN 架構有助于降低平臺要求，但通常會以準確性和推理延遲為代價，這可能會與應用程序要求發生沖突。然而，對于許多應用程序而言，通用平臺缺乏在 CNN 推理中實現高精度和高性能所需的性能。