RK3566 Goldfinger Garapen Board Core Board

TC-RK3566 Ezaugarriak

TC-RK3566 1. aipagarriak: errendimendu handiko CPU

ARM arkitektura berriak eta prozesu aurreratuak errendimendu eta energia eraginkortasun handiagoak ekartzen ditu

TC-RK3566 2. aipamena: belaunaldi berria (3. belaunaldia) Rockchip ISP

arte

HDR funtzio indartsuak irudia argi uzten du atzeko argia edo argi baldintza indartsuetan

Kanal bikoitzeko aldibereko zoom irteera onartzen du

Zarata ezabatzeko funtzioa, argi gutxiko baldintzetan irudia ere delikatua izan dadin

Desfogging funtzioa onartzen du, lainoan ere argi ikus daiteke

Onartu LDCH-ren alboko zuzenketa sentsorearen lenteak eragindako distortsioa kentzeko

TC-RK3566 3. aipamena: multimedia deskodetzeko/kodetzeko gaitasun indartsua

Onartu 4KP60 H.264/H.265/VP9 eta beste formatu batzuk HD deskodetzea

Bideo iturri anitzen aldi berean deskodetzea onartzen da

HDR10 onartzen du, errendimendu bikaina kolorean eta barruti dinamikoan

Onartu irudien postprozesatzea, desinterleading, denoising, kolorea hobetzea, bereizmena handitzea

Onartu 1080p 60fps H.264 eta H.265 formatuko kodeketa

Onartu bit-tasa dinamikoa, fotograma-tasa, bereizmenaren doikuntza

TC-RK3566 4. aipamena: RKNN AI prozesatzeko unitate eraginkor integratua

0.8TOPs konputazio-potentzia duen NPU

Sare neuronaleko hardware azeleragailua txertatua, INT8, INT16, FP16 funtzionamendu eraginkorra onartzen du

NPU hardware-k jatorrizko teknologiak onartzen ditu, hala nola, aurreprozesatzeko bateratzea, kanalen kuantizazioa eta zero-salteatzea.

Onartu INT8, INT16, FP16 sare neuronalaren parametroen galerarik gabeko konpresioa

NPU nukleoak konboluzio arrunta, sakonera bereizgarria den biribildura, dekonboluzioa, zuloaren biribildura, guztiz konektatutako geruza eta bilketa-geruza onartzen ditu

NPU barne blokeek biderketa-gehiketa eragiketak, aktibazioa, LUT eta doitasun bihurketa unitateak barne hartzen dituzte eta geruza pertsonalizatuen eraikuntza onartzen dute.

Onartu klik bakarreko ereduen bihurketa, onartzen Caffe/TensorFlow/TF-Lite/ONNX/PyTorch/Keras/Darknet-en eredu nagusiak