Rockchip-ek helburuen detektatzeko teknologia-soluzioa abiarazten du ikaskuntza sakonean oinarritutako goi mailako adimen ARTIFIZIALaren prozesu komertziala bizkortzeko RK3399

2018ko maiatzaren 16an, Rockchip-ek RK3399 txip-plataforman exekutatzen den ikaskuntza sakonean oinarritutako helburuak detektatzeko soluzio teknologiko bat kaleratu zuen, goi-mailako AI adimen artifizialaren industriarako giltza eskuan dagoen soluzio bat eman dezakeena, eta Android zein Linux sistemak onartzen dituena. . Helburua detekzio-tasa 8 fotograma/segundo baino gehiago iristen da.

Adimen artifizialaren alorrean, helburuen detekzioa oso ezaguna da ikerketaren norabidea. Xede-hautemateak xede-objektuak irudi edo bideoetan aurkitzeari eta sailkatzeari egiten dio erreferentzia. Makinentzat, zaila da RGB pixel matrizetik objektuen kontzeptu abstraktua eta kokatzea zuzenean lortzea, eta horrek erronka handiak ekartzen dizkie AI adimen artifizialaren aplikazioei.

Gaur egun, adimen artifizialaren teknologiaren ikerketa- eta garapen-ildo nagusiak hauek dira: aurpegia detektatzea, giza gorputza detektatzea, ibilgailuak detektatzea, bi dimentsioko kodea detektatzea eta keinuak hautematea, etab. , interakzio naturala, etab. Oinarria objektuak detektatzeko teknologia da. Ikaskuntza sakonean oinarritutako helburuak detektatzeko teknologiak zehaztasun eta sendotasun handiak ditu, baina karga konputazionala nahiko handia da, eta ezin da ia hedatu eta txertatutako gailuetan aplikatu denbora luzez.

 

AI adimen artifizialaren merkatuari eta behar teknikoei erantzunez, Rockchipek bereziki optimizatu du MobileNet SSD sarea RK3399 plataforma indartsuan, zehaztasun handiko MobileNet SSD300 1.0 8 fotograma baino gehiagoko abiaduran exekutatzen den, eta MobileNet-ek. zehaztasun apur bat txikiagoa eta abiadura azkarragoa SSD300 0.75 11 fps baino gehiagotan exekutatzen da. Ia denbora errealeko exekutatzeko abiadurak helburuak detektatzeko oinarrizko AI teknologiak erabilera praktikora eramaten ditu kapsulatutako terminalean.

Ia denbora errealeko abiaduraz gain, irtenbide tekniko honek Google-ren TensorFlow Object Detection prestakuntzak esportatutako TensorFlow Lite eredua onartzen du. Gaur egun, TensorFlow Object Detection oinarritutako erabilera-kasu ugari dago, aurpegitik objektura detekzio mota guztiak hartzen dituena, hau da, industriako helburuen detekzio-esparrurik eroso eta ezagunenetako bat.



RK3399 txip plataforman oinarritutako Rockchip-en ikaskuntza sakoneko helburuak detektatzeko teknologia-soluzioak Android edo Linux sistemak onartzen ditu aldi berean, AI produktuen erabiltzailearen esperientzia hobetu helburuak detektatzeko teknologia erabiliz, ikerketa eta garapen zikloa asko laburtu eta goi-mailako AI gehiago lagun dezake. produktu adimentsuak merkatura ahalik eta azkarren ateratzeko.