Rockchip RK3399将ai目标检测从嵌入式端带入实用

简介:

在人工智能领域中目标检测是非常热门的研究方向,目标检测是指对图片或视频中的目标性物体进行定位并分类。对于机器来说,从RGB像素矩阵中很难直接得到物体的抽象概念并定位,这给AI人工智能应用带来很大的挑战。

在CES2018消费电子展上,Rockchip 瑞芯微电子 发布了旗下首款智能AI处理器RK3399Pro,同时提供了嵌入式的一站化AI解决方案,满足了来年国产化的高性能使用需求。

目前,人工智能技术的主要研发方向为:人脸检测、人体检测、车辆检测、二维码检测及手势识别等,可广泛应用在监控、智能交通、新零售、自然交互等,而这些应用的基础正是目标检测技术。基于深度学习的目标检测技术具有很高的准确性和鲁棒性,但运算量比较大,长期无法在嵌入式设备中取得实际部署和应用。

针对AI人工智能市场和技术需求,Rockchip在性能强大的RK3399平台上,对MobileNet SSD网络进行专项优化,使高精度的MobileNet SSD300 1.0运行帧率达到8帧以上,精度略低而速度更快的MobileNet SSD300 0.75的运行帧率超过11帧。

在扩展接口上,RK3399Pro也跟上了主流芯片的实力:支持双TYPE-C接口、双ISP接口,对于4k输出与高速传感器的支持也很好。软件方面,包括OpenGL ES 1.x/2.x/3.1/3.2、Vulkan 1.0、OpenCL 1.1/1.2、RenderScript等API接口全数支持也让深度定制开发更加方便。而在重头戏的AI运算性能上,RK3399Pro采用的独立NPU架构与海思麒麟970相似,运算性能高达2.4TOPs,相较同类NPU芯片性能领先150%;同时支持8bit与16bit运算,能够兼容各类AI软件框架,

Rockchip基于RK3399芯片平台的深度学习目标检测技术解决方案可同时支持Android或Linux系统,提升使用目标检测技术的AI产品的用户体验,大幅缩短研发周期,帮助更多的AI智能产品尽早面市。朗锐智科适时推出基于Rockchip RK3399芯片,采用双核Cortex-A72加四核Cortex-A53 64位六核处理器,集成ARM新一代高端图像处理器Mali-T860@MP4 GPU, 产品具有优异的性能和领先的技术,同时提供RK3399主板定制服务。

产品具有集成度高,低功耗,高性能,接口丰富、高扩展等全能型应用特性,搭载Android开源系统,可满足3D、VR、人脸识别设备、机器人、无人机、VOIP视频会议系统、安防/监控/警务、工控类、IoT物联网领域、游戏终端、游戏外设类、手游挂机服务器、广告机/一体机、金融POS类、车载控制业、瘦客户机(云端服务)、教育类平板、电子白板、卡拉OK娱乐类、医疗类等多个行业应用需求。

相关文章
|
1月前
|
人工智能 监控 安全
人体姿态[站着、摔倒、坐、深蹲、跑]检测数据集(6000张图片已划分、已标注)| AI训练适用于目标检测
本数据集包含6000张已标注人体姿态图片,覆盖站着、摔倒、坐、深蹲、跑五类动作,按5:1划分训练集与验证集,标注格式兼容YOLO等主流框架,适用于跌倒检测、健身分析、安防监控等AI目标检测任务,开箱即用,助力模型快速训练与部署。
|
1月前
|
人工智能 监控 算法
人群计数、行人检测数据集(9000张图片已划分、已标注) | AI训练适用于目标检测任务
本数据集包含9000张已标注、已划分的行人图像,适用于人群计数与目标检测任务。支持YOLO等主流框架,涵盖街道、商场等多种场景,标注精准,结构清晰,助力AI开发者快速训练高精度模型,应用于智慧安防、人流统计等场景。
人群计数、行人检测数据集(9000张图片已划分、已标注) | AI训练适用于目标检测任务
|
26天前
|
机器学习/深度学习 人工智能 算法
用于实验室智能识别的目标检测数据集(2500张图片已划分、已标注) | AI训练适用于目标检测任务
本数据集包含2500张已标注实验室设备图片,涵盖空调、灭火器、显示器等10类常见设备,适用于YOLO等目标检测模型训练。数据多样、标注规范,支持智能巡检、设备管理与科研教学,助力AI赋能智慧实验室建设。
用于实验室智能识别的目标检测数据集(2500张图片已划分、已标注) | AI训练适用于目标检测任务
|
26天前
|
机器学习/深度学习 人工智能 监控
面向智慧牧场的牛行为识别数据集(5000张图片已划分、已标注) | AI训练适用于目标检测任务
本数据集包含5000张已标注牛行为图片,涵盖卧、站立、行走三类,适用于YOLO等目标检测模型训练。数据划分清晰,标注规范,场景多样,助力智慧牧场、健康监测与AI科研。
面向智慧牧场的牛行为识别数据集(5000张图片已划分、已标注) | AI训练适用于目标检测任务
|
3月前
|
机器学习/深度学习 人工智能 自动驾驶
交通标识与信号灯数据集(1000张图片已划分、已标注)| AI训练适用于目标检测任务
在智能驾驶与智慧交通的研究中,交通标识与信号灯识别 是最基础且最关键的任务之一。为了方便研究人员和开发者快速上手目标检测模型训练,本数据集提供了 1000张交通场景图片,并且已经按照目标检测任务的需求完成了 数据标注与划分。该数据集可直接应用于 YOLO、Faster R-CNN、SSD 等深度学习模型的训练与测试。
交通标识与信号灯数据集(1000张图片已划分、已标注)| AI训练适用于目标检测任务
|
2月前
|
机器学习/深度学习 人工智能 资源调度
嵌入式AI领域关键技术的理论基础
本内容系统讲解嵌入式AI领域关键技术的数学理论基础,涵盖神经网络量化、剪枝、知识蒸馏与架构搜索的核心原理。深入探讨量化中的信息论与优化方法、稀疏网络的数学建模、蒸馏中的信息传递机制,以及神经架构搜索的优化框架,为在资源受限环境下实现高效AI推理提供理论支撑。
181 5
|
9月前
|
人工智能 编解码 算法
DeepSeek加持的通义灵码2.0 AI程序员实战案例:助力嵌入式开发中的算法生成革新
本文介绍了通义灵码2.0 AI程序员在嵌入式开发中的实战应用。通过安装VS Code插件并登录阿里云账号,用户可切换至DeepSeek V3模型,利用其强大的代码生成能力。实战案例中,AI程序员根据自然语言描述快速生成了C语言的base64编解码算法,包括源代码、头文件、测试代码和CMake编译脚本。即使在编译错误和需求迭代的情况下,AI程序员也能迅速分析问题并修复代码,最终成功实现功能。作者认为,通义灵码2.0显著提升了开发效率,打破了编程语言限制,是AI编程从辅助工具向工程级协同开发转变的重要标志,值得开发者广泛使用。
8710 71
DeepSeek加持的通义灵码2.0 AI程序员实战案例:助力嵌入式开发中的算法生成革新
|
6月前
|
机器学习/深度学习 人工智能 算法
Python+YOLO v8 实战:手把手教你打造专属 AI 视觉目标检测模型
本文介绍了如何使用 Python 和 YOLO v8 开发专属的 AI 视觉目标检测模型。首先讲解了 YOLO 的基本概念及其高效精准的特点,接着详细说明了环境搭建步骤,包括安装 Python、PyCharm 和 Ultralytics 库。随后引导读者加载预训练模型进行图片验证,并准备数据集以训练自定义模型。最后,展示了如何验证训练好的模型并提供示例代码。通过本文,你将学会从零开始打造自己的目标检测系统,满足实际场景需求。
5573 0
Python+YOLO v8 实战:手把手教你打造专属 AI 视觉目标检测模型
|
11月前
|
机器学习/深度学习 人工智能 算法
X-AnyLabeling:开源的 AI 图像标注工具,支持多种标注样式,适于目标检测、图像分割等不同场景
X-AnyLabeling是一款集成了多种深度学习算法的图像标注工具,支持图像和视频的多样化标注样式,适用于多种AI训练场景。本文将详细介绍X-AnyLabeling的功能、技术原理以及如何运行该工具。
2728 2
X-AnyLabeling:开源的 AI 图像标注工具,支持多种标注样式,适于目标检测、图像分割等不同场景
|
人工智能 并行计算 PyTorch
AI计算机视觉笔记十八:Swin Transformer目标检测环境搭建
本文详细记录了Swin Transformer在AutoDL平台上的环境搭建与训练过程。作者从租用GPU实例开始,逐步介绍了虚拟环境的创建、PyTorch安装、mmcv及mmdetection的配置,并解决了安装过程中遇到的各种问题,如cython版本冲突等。最后,通过修改代码实现目标检测结果的保存。如需了解更多细节或获取完整代码,请联系作者。原文链接:[原文链接](请在此处插入原文链接)。
1057 5