Процессор машинного зрения

Материал из Википедии — свободной энциклопедии
Это старая версия этой страницы, сохранённая 188.162.65.184 (обсуждение) в 08:20, 27 февраля 2021 (Примеры: Добавлен пример использования VPU в аппаратном ускорителе инференса сверхточных нейронных сетей для ЦОД). Она может серьёзно отличаться от текущей версии.
Перейти к навигации Перейти к поиску

Процессор машинного зрения (англ. vision processing unit, VPU) — новый класс специализированных микропроцессоров являющихся разновидностью ИИ-ускорителей, предназначенных для аппаратного ускорения работы алгоритмов машинного зрения[1][2].

Описание

Процессоры машинного зрения отличаются от графических процессоров (которые являются специализированными для кодирования и декодирования видео) так как они являются более пригодными для выполнения алгоритмов машинного зрения, в которых используются методы свёрточных нейронных сетей (CNN), выделение особых точек и их дескрипторов методом масштабно-инвариантной функции преобразования[англ.] (SIFT) и другие.

Они могут включать множество прямых интерфейсов, брать данные с видеокамеры, и в них делается большой акцент на распараллеливание потока данных между множеством исполнительных ядер, включая использование модели блокнотной памяти[англ.], как в многоядерных цифровых сигнальных процессорах. Но, как и графические процессоры, они специализированы для вычислений c низкой точностью чисел с фиксированной запятой, используемых для обработки изображений.

Целевыми рынками для данных процессоров являются робототехника, интернет вещей, новые классы цифровых камер для виртуальной реальности и дополненной реальности, смарт-камеры, и интеграция ускорения машинного зрения в смартфоны и другие мобильные устройства.

Примеры

  • Lightspeeur® Series Intelligent Neural Processor[3] — серия специализированных энергоэффективных нейронных процессоров производительностью до 9.3TOPS доступных в том числе в виде USB модуля[4].
  • Intel Movidius Myriad 2[англ.] — процессор являющийся многоядерным ИИ-ускорителем основанном на VLIW-архитектуре, с дополненными узлами предназначенными для обработки видео[5].
  • ComBox x64 Movidius PCIe Blade board - ускоритель инференса сверхточных нейронных сетей для ЦОД на базе VPU Intel Movidius (MyriadX) с высокой плотностью их размещения.
  • Mobileye EyeQ[англ.] — это специализированный процессор ускоряющий обработку алгоритмов машинного зрения для использования в беспилотном автомобиле[6].
  • Microsoft HoloLens — очки смешанной реальности компании Microsoft, которые включает в себя ускоритель, называемый голографический процессор (англ. holographic processing unit), задействованный для ускорения обработки видео с камеры, для среды отслеживание и работы приложений дополненной реальности[7].
  • Eyeriss[англ.] — процессор разработанный МТИ, предназначенный для работы свёрточных нейронных сетей[8].
  • Intuitive[англ.] — израильская компания сфокусированная на проектировании VPU, названный ею NU series.
  • NeuFlow[англ.] — разработка Яна Лекуна (в виде FPGA) для ускорения работы алгоритмов cвёртки, с помощью потоковой архитектуры.

См. также

Примечания

  1. Seth Colaner, Matthew Humrick. A third type of processor for AR/VR: Movidius' Myriad 2 VPU. Tom's Hardware (3 января 2016).
  2. Prasid Banerje. The rise of VPUs: Giving Eyes to Machines. Digit.in (28 марта 2016).
  3. "Technology | Lightspeeur® Series Intelligent Neural Processor". Gyrfalcon Technology Inc (англ.). Дата обращения: 31 марта 2018.
  4. "Solutions | Lightspeeur® 2801S AI Processor for AI Edge Computing". Gyrfalcon Technology Inc (англ.). Дата обращения: 31 марта 2018.
  5. Intel анонсировала процессор машинного зрения Movidius Myriad X. 3DNews. (29 августа 2017). Дата обращения: 17 ноября 2017.
  6. The Evolution of EyeQ.
  7. Fred O'Connor. Microsoft dives deeper into HoloLens details: 'Holographic processor' role revealed. PCWorld (1 мая 2015).
  8. Eyeriss: An Energy-Efficient Reconfigurable Accelerator for Deep Convolutional Neural Networks. IEEE International Solid-State Circuits Conference, ISSCC 2016, Digest of Technical Papers 262–263 (2016).

Ссылки