ザイリンクス Vitis を使用して、AI カメラ開発を加速

ネットワーク トレーニング、ビッグデータ、および MLリサーチの急速な進歩により、「深層学習」技術の活躍が顕著になってきました。特に機械に「見る」能力を備えるエンベデッド ビジョン アプリケーションでは、非常に重要な技術です。エンベデッド ビジョン アプリケーションの範囲は、生産ラインのエラーをゼロにするマシン ビジョン カメラから、トラフィックを監視し、盗難や災害を検出する機能を街頭に取り付ける「スマート シティ」カメラから、オンラインで購入した商品を家まで届けるロボットに至るまで無限に広がります。 ただし、CNN (たたみ込みニューラル ネットワーク) の推論は計算コストが高く、各推論に対して数十億回もの計算が必要です。さらに、多くのクリティカル アプリケーションでは超低レイテンシが求められ、高いフレームレートをサポートする必要があります。これらの制約のほかに、10W 未満の消費電力、高い信頼性とセキュリティ レベル、製品寿命を考慮する場合、ML 推論の性能要件に対応できる統合カメラの設計方法を紹介します。

このウェビナーでは、さまざまな観点からこのトピックについて説明しています。

  • CNN 推論の重要な課題について。
  • 必要な性能レベル、および実現可能な性能レベルについて。
  • ザイリンクスの MPSoC デバイスと Vitis を活用して CNN 推論を高速化する方法。
  • MPSoC デバイス ファミリのエンベデッド ビデオ コーデックの機能と利点について。
  • イメージ センサー パイプラインの統合アプローチについて。