Tamil
குறைந்த சக்தி கொண்ட கேமரா தொகுதிகளுக்கான AI மாதிரி சுருக்கம்: வன்பொருள்-வழிமுறை ஒருங்கிணைப்பு புரட்சி
01.04 துருக
ஸ்மார்ட் ஹோம் பாதுகாப்பு மற்றும் அணியக்கூடிய தொழில்நுட்பம் முதல் தொழில்துறை IoT மற்றும் சுற்றுச்சூழல் கண்காணிப்பு வரையிலான தொழில்களை குறைந்த-சக்தி கேமரா தொகுதிகளின் பெருக்கம் மறுவடிவமைத்துள்ளது. இந்த சிறிய, ஆற்றல்-திறனுள்ள சாதனங்கள், நிலையான கிளவுட் இணைப்பு இல்லாமல் நிகழ்நேர பகுப்பாய்வுகளை - பொருள் கண்டறிதல், இயக்க அங்கீகாரம், முக அங்கீகாரம் - செயல்படுத்த AI ஐ நம்பியுள்ளன. இருப்பினும், மிகப்பெரிய தடை நீடிக்கிறது: அதிநவீன AI மாதிரிகள் (டிரான்ஸ்ஃபார்மர்கள் அல்லது பெரிய CNNகள் போன்றவை) கணக்கீட்டு ரீதியாக கனமானவை, அதே நேரத்தில் குறைந்த-சக்தி கேமராக்கள் கட்டுப்படுத்தப்பட்ட பேட்டரிகள் மற்றும் வரையறுக்கப்பட்ட செயலாக்க சக்தியில் செயல்படுகின்றன. இங்குதான் AI மாதிரி சுருக்கம் ஒரு கேம்-சேஞ்சராக வெளிப்படுகிறது. ஆனால் அல்காரிதமிக் மாற்றங்களில் மட்டுமே கவனம் செலுத்தும் பாரம்பரிய சுருக்க அணுகுமுறைகளைப் போலல்லாமல், குறைந்த-சக்தியில் திறமையான AI இன் எதிர்காலம்கேமராக்கள்வன்பொருள்-வழிமுறை ஒருங்கிணைப்பில் உள்ளது. இந்த இடுகையில், இந்த கூட்டு முறை ஏன் முக்கியமானது என்பதை ஆராய்வோம், குறைந்த-சக்தி கேமரா வன்பொருளுக்கு ஏற்ற புதுமையான சுருக்க நுட்பங்களை உடைப்போம், மேலும் அவற்றை நிஜ-உலக பயன்பாடுகளில் செயல்படுத்துவதற்கான பயனுள்ள நுண்ணறிவுகளைப் பகிர்ந்து கொள்வோம்.
குறைந்த-சக்தி கேமரா தொகுதிகளுக்கு பாரம்பரிய AI சுருக்கம் ஏன் போதாது
பல ஆண்டுகளாக, AI மாதிரி சுருக்கம் மூன்று முக்கிய உத்திகளில் கவனம் செலுத்தி வருகிறது: ப்ரூனிங் (தேவையற்ற எடைகளை அகற்றுதல்), குவாண்டைசேஷன் (தரவு துல்லியத்தை 32-பிட் ஃப்ளோட்களிலிருந்து 8-பிட் இன்டிஜர்கள் அல்லது அதற்கும் குறைவாகக் குறைத்தல்), மற்றும் அறிவு வடிகட்டுதல் (ஒரு பெரிய "ஆசிரியர்" மாதிரியிலிருந்து ஒரு சிறிய "மாணவர்" மாதிரிக்கு கற்றலை மாற்றுதல்). இந்த முறைகள் மாதிரி அளவு மற்றும் கணக்கீட்டு சுமையைக் குறைத்தாலும், அவை குறைந்த-சக்தி கேமரா தொகுதிகளின் தனித்துவமான கட்டுப்பாடுகளைக் கணக்கில் எடுத்துக்கொள்வதில்லை - குறிப்பாக, அவற்றின் வன்பொருள் கட்டமைப்புகள் (எ.கா., சிறிய MCUs, எட்ஜ் TPUs, அல்லது தனிப்பயன் ISP சிப்கள்) மற்றும் ஆற்றல் வரவுசெலவுகள் (பெரும்பாலும் மில்லிவாட்களில் அளவிடப்படுகிறது).
ஒரு வழக்கமான குறைந்த-சக்தி கேமரா தொகுதியை, Arm Cortex-M தொடர் MCU மூலம் இயக்கப்படுவதாகக் கருதுங்கள். பாரம்பரிய 8-பிட் குவாண்டிசேஷன் ஒரு மாதிரியை 75% சுருக்கலாம், ஆனால் MCU-க்கு 8-பிட் முழு எண் செயல்பாடுகளுக்கான வன்பொருள் ஆதரவு இல்லையென்றால், சுருக்கப்பட்ட மாதிரி மெதுவாக இயங்கும் மற்றும் பேட்டரிகளை வடிகட்டும் - இது நோக்கத்தை தோல்வியடையச் செய்யும். இதேபோல், கேமராவின் நினைவக அலைவரிசையைக் கருத்தில் கொள்ளாத ப்ரூனிங், துண்டு துண்டான தரவு அணுகலுக்கு வழிவகுக்கும், தாமதம் மற்றும் ஆற்றல் நுகர்வை அதிகரிக்கும். பிரச்சனை மாதிரிகளை சிறியதாக்குவது மட்டுமல்ல; குறைந்த-சக்தி கேமராக்களின் குறிப்பிட்ட வன்பொருளுடன் மாதிரிகளை இணக்கமாக மாற்றுவதாகும். இதனால்தான் வன்பொருள்-அல்காரிதம் ஒருங்கிணைப்பு பயனுள்ள சுருக்கத்திற்கான புதிய வட நட்சத்திரமாக மாறியுள்ளது.
புதிய முறை: சுருக்கத்திற்கான வன்பொருள்-வழிமுறை இணை-வடிவமைப்பு
வன்பொருள்-வழிமுறை இணை-வடிவமைப்பு ஸ்கிரிப்டை புரட்டுகிறது: ஏற்கனவே உள்ள வன்பொருளுக்குப் பொருந்தும் வகையில் முன்-பயிற்சி பெற்ற மாதிரியைச் சுருக்குவதற்குப் பதிலாக, கேமரா தொகுதியின் வன்பொருள் கட்டமைப்போடு இணைந்த சுருக்க நுட்பங்களை நாங்கள் வடிவமைக்கிறோம். இந்த அணுகுமுறை ஒவ்வொரு சுருக்கத் தேர்வும்—துல்லிய நிலைகள் முதல் அடுக்கு அமைப்பு வரை—வன்பொருளின் பலங்களுடன் (எ.கா., சிறப்பு AI முடுக்கிகள், குறைந்த-சக்தி நினைவகம்) ஒத்துப்போவதை உறுதிசெய்கிறது மற்றும் அதன் பலவீனங்களைக் குறைக்கிறது (எ.கா., வரையறுக்கப்பட்ட கணினி கோர்கள், குறைந்த அலைவரிசை).
குறைந்த சக்தி கொண்ட கேமரா AI-ஐ மாற்றியமைக்கும் மூன்று புதுமையான, ஒருங்கிணைந்த சுருக்க நுட்பங்களை விரிவாகப் பார்ப்போம்:
1. கட்டமைப்பு-அறிந்த கத்தரித்தல்: வன்பொருள் நினைவக படிநிலைகளுக்கு ஏற்ப அடர்த்தியைத் தனிப்பயனாக்குதல்
பாரம்பரிய கத்தரிப்பு “கட்டமைப்பற்ற” அடர்த்தியை உருவாக்குகிறது - மாதிரியில் உள்ள சீரற்ற எடைகளை நீக்குகிறது. இது அளவுரு எண்ணிக்கையைக் குறைத்தாலும், நினைவக அணுகலுக்கு உதவாது, இது குறைந்த-சக்தி கேமராக்களுக்கு ஒரு முக்கிய ஆற்றல் வடிகால் ஆகும். கட்டமைப்பற்ற அடர்த்தி, கணக்கீட்டின் போது காலியான எடைகளைத் தவிர்க்க வன்பொருளை கட்டாயப்படுத்துகிறது, இது திறமையற்ற நினைவக வாசிப்புகள்/எழுதுதல்களுக்கு வழிவகுக்கிறது.
கேமராவின் நினைவக படிநிலைக்குப் பொருந்தக்கூடிய "கட்டமைக்கப்பட்ட" அடர்த்தியை உருவாக்குவதன் மூலம் கட்டமைப்பு-அறிவார்ந்த கத்தரித்தல் இதைத் தீர்க்கிறது. உதாரணமாக, ஒரு கேமராவின் MCU 32-பிட் நினைவகத் தொகுதிகளைப் பயன்படுத்தினால், தனிப்பட்ட எடைகளுக்குப் பதிலாக, எடைகளின் முழு 32-பிட் தொகுதிகளையும் கத்தரிப்பது, தரவு அணுகல் தொடர்ச்சியாக இருப்பதை உறுதி செய்கிறது. ஸ்டான்போர்டில் உள்ள எட்ஜ் AI ஆய்வகத்தின் 2024 ஆய்வின்படி, இது நினைவக அலைவரிசை பயன்பாட்டை 40% வரை குறைக்கிறது. குறைந்த சக்தி கொண்ட கேமராக்களுக்கு, அவை பெரும்பாலும் 1-2 GB/s நினைவக அலைவரிசை வரம்புகளைக் கொண்டுள்ளன, இது குறிப்பிடத்தக்க ஆற்றல் சேமிப்பு மற்றும் வேகமான அனுமானத்திற்கு வழிவகுக்கிறது.
செயல்படுத்தல் குறிப்பு: உங்கள் கேமராவின் நினைவகத் தொகுதி அளவுக்குப் பொருந்தக்கூடிய தனிப்பயன் கத்தரிப்பு குழாய்களுடன் TensorFlow Lite for Microcontrollers (TFLite Micro) போன்ற கருவிகளைப் பயன்படுத்தவும். எடுத்துக்காட்டாக, உங்கள் தொகுதி ஒரு Nordic nRF5340 MCU (32-பிட் நினைவக சீரமைப்புடன்) பயன்படுத்தினால், 32-பிட் துண்டுகளாக எடைகளை நீக்க கத்தரிப்பை உள்ளமைக்கவும்.
2. துல்லிய அளவிடுதல்: வன்பொருள் முடுக்கி ஆதரவின் அடிப்படையில் டைனமிக் குவாண்டிசேஷன்
குவாண்டைசேஷன் என்பது குறைந்த-சக்தி சாதனங்களுக்கான மிகவும் பரவலாகப் பயன்படுத்தப்படும் சுருக்க நுட்பமாகும், ஆனால் நிலையான குவாண்டைசேஷன் (அனைத்து அடுக்குகளுக்கும் ஒரு நிலையான துல்லியத்தைப் பயன்படுத்துதல்) சாத்தியமான செயல்திறனை வீணாக்குகிறது. நவீன குறைந்த-சக்தி கேமரா தொகுதிகள் பெரும்பாலும் சிறப்பு முடுக்கிகளைக் கொண்டுள்ளன—ARM இன் CMSIS-NN, Google இன் Coral Micro, அல்லது தனிப்பயன் TPUகள் போன்றவை—இது கலப்பு-துல்லிய செயல்பாடுகளை ஆதரிக்கிறது (எ.கா., கன்வல்யூஷன் அடுக்குகளுக்கு 8-பிட், ஆக்டிவேஷன் அடுக்குகளுக்கு 16-பிட்).
டைனமிக், வன்பொருள்-அறிவார்ந்த குவாண்டೈಸேஷன், முடுக்கியின் திறன்களைப் பயன்படுத்தி, அடுக்கு வாரியாக துல்லியத்தை சரிசெய்கிறது. எடுத்துக்காட்டாக, கணக்கீட்டு ரீதியாக கனமான ஆனால் துல்லியத்திற்கு குறைந்த உணர்திறன் கொண்ட ஒரு கன்வல்யூஷன் அடுக்கு, 4-பிட் முழு எண்களைப் பயன்படுத்தலாம் (முடுக்கி அதை ஆதரித்தால்), அதேசமயம் அதிக துல்லியம் தேவைப்படும் ஒரு வகைப்பாடு அடுக்கு 8-பிட் முழு எண்களைப் பயன்படுத்தலாம். ஒரு முன்னணி ஸ்மார்ட் ஹோம் கேமரா உற்பத்தியாளரின் 2023 வழக்கு ஆய்வு, இந்த அணுகுமுறை நிலையான 8-பிட் குவாண்டೈಸேஷனுடன் ஒப்பிடும்போது ஆற்றல் நுகர்வை 35% குறைத்ததாகவும், அசைவு கண்டறிதலுக்கான அசல் மாதிரியின் 98% துல்லியத்தை பராமரித்ததாகவும் கண்டறிந்தது.
முக்கிய கருவி: NVIDIA இன் TensorRT Lite, இது வன்பொருள் விவரக்குறிப்புகளின் அடிப்படையில் தானாகவே துல்லியத்தை மேம்படுத்துகிறது, அல்லது Arm இன் Vela கம்பைலர், இது Cortex-M மற்றும் Cortex-A அடிப்படையிலான கேமரா தொகுதிகளுக்காக சிறப்பாக வடிவமைக்கப்பட்டுள்ளது.
3. சென்சார்-ஃப்யூஷன் சுருக்கம்: ஆரம்ப அம்சப் பிரித்தெடுப்புக்கு கேமரா ISP-ஐப் பயன்படுத்துதல்
குறைந்த-சக்தி கேமரா தொகுதிகள் ஒரு பட சிக்னல் செயலி (ISP) ஐ ஒருங்கிணைக்கின்றன, இது AI மாதிரிக்கு தரவை அனுப்புவதற்கு முன் அடிப்படை பட செயலாக்கத்தை (எ.கா., இரைச்சல் நீக்குதல், தானியங்கி வெளிப்பாடு) கையாள்கிறது. பெரும்பாலான சுருக்க நுட்பங்கள் ISP ஐப் புறக்கணிக்கின்றன, ஆனால் சென்சார்-ஃப்யூஷன் சுருக்கம் ISP ஐ ஒரு "முன்-சுருக்க" படியாகப் பயன்படுத்துகிறது - AI மாதிரி செயலாக்க வேண்டிய தரவைக் குறைக்கிறது.
இது எவ்வாறு செயல்படுகிறது என்பது இங்கே: ISP குறைந்த-நிலை அம்சங்களை (எ.கா., விளிம்புகள், அமைப்புகள்) நேரடியாக மூல பட சென்சார் தரவுகளிலிருந்து பிரித்தெடுக்கிறது. இந்த அம்சங்கள் முழு-தெளிவுத்திறன் படங்களை விட சிறியவை மற்றும் செயலாக்க குறைந்த கணினி சக்தி தேவைப்படுகிறது. AI மாதிரி பின்னர் மூல பிக்சல்களுக்குப் பதிலாக இந்த ISP-பிரித்தெடுக்கப்பட்ட அம்சங்களுடன் வேலை செய்ய பயிற்சி அளிக்கப்படுகிறது. கலிபோர்னியா பல்கலைக்கழகம், பெர்க்லியின் ஆராய்ச்சியின்படி, இது மாதிரியின் உள்ளீட்டு அளவை 80% வரை குறைக்கிறது.
உதாரணமாக, சென்சார்-ஃப்யூஷன் சுருக்கத்தைப் பயன்படுத்தும் குறைந்த சக்தி கொண்ட பாதுகாப்பு கேமராவில், அதன் ISP விளிம்பு அம்சங்களைப் பிரித்தெடுத்து, பின்னர் அவற்றை சுருக்கப்பட்ட பொருள் கண்டறிதல் மாதிரிக்கு அனுப்ப முடியும். இதன் விளைவாக: முழு-தெளிவுத்திறன் படங்களைச் செயலாக்குவதோடு ஒப்பிடும்போது வேகமான அனுமானம் (2x வேக அதிகரிப்பு) மற்றும் குறைந்த ஆற்றல் பயன்பாடு (50% குறைப்பு).
நடைமுறை வழிகாட்டி: உங்கள் குறைந்த சக்தி கொண்ட கேமராவிற்கான ஒருங்கிணைந்த சுருக்கத்தை செயல்படுத்துதல்
இந்த நுட்பங்களைப் பயன்படுத்தத் தயாரா? உங்கள் கேமரா தொகுதியின் வன்பொருளுடன் உங்கள் சுருக்க உத்தி சீரமைக்கப்படுவதை உறுதிசெய்ய, இந்த படிப்படியான கட்டமைப்பைப் பின்பற்றவும்:
படி 1: உங்கள் வன்பொருள் கட்டுப்பாடுகளை வரைபடமாக்குங்கள்
முதலில், உங்கள் கேமரா தொகுதியின் முக்கிய வன்பொருள் விவரக்குறிப்புகளை ஆவணப்படுத்தவும்:
• செயலி/முடுக்கி வகை (எ.கா., Cortex-M4, Coral Micro, தனிப்பயன் TPU)
• ஆதரிக்கப்படும் துல்லிய நிலைகள் (8-பிட், 4-பிட், கலப்பு துல்லியம்)
• நினைவக அலைவரிசை மற்றும் தொகுதி அளவு (எ.கா., 32-பிட் சீரமைப்பு, 512 KB SRAM)
• ஆற்றல் பட்ஜெட் (எ.கா., தொடர்ச்சியான அனுமானத்திற்கு 5 mW)
• ISP திறன்கள் (எ.கா., அம்சப் பிரித்தெடுத்தல், இரைச்சல் குறைப்பு)
Arm's Hardware Profiler அல்லது Google's Edge TPU Profiler போன்ற கருவிகள் இந்த தரவுப் புள்ளிகளைச் சேகரிக்க உங்களுக்கு உதவும்.
படி 2: வன்பொருள் பலங்களுடன் சீரமைக்கப்பட்ட சுருக்க நுட்பங்களைத் தேர்வு செய்யவும்
உங்கள் சுருக்க உத்தியை உங்கள் வன்பொருளுடன் பொருத்தவும்:
• உங்கள் கேமராவில் சிறப்பு AI ஆக்சிலரேட்டர் (எ.கா., Coral Micro) இருந்தால், ஆக்சிலரேட்டரின் அறிவுறுத்தல்களுக்கு ஏற்ப டைனமிக் குவாண்டிசேஷன் மற்றும் நாலேஜ் டிஸ்டிலேஷன் பயன்படுத்தவும்.
• உங்கள் கேமரா அடிப்படை MCU (எ.கா., Cortex-M0) பயன்படுத்தினால், ஆர்கிடெக்சர்-அவேர் ப்ரூனிங் (மெமரி அணுகலை மேம்படுத்த) மற்றும் சென்சார்-ஃப்யூஷன் கம்ப்ரஷன் (உள்ளீட்டு அளவைக் குறைக்க) ஆகியவற்றுக்கு முன்னுரிமை அளிக்கவும்.
• உங்கள் கேமராவில் சக்திவாய்ந்த ISP இருந்தால், குறைந்த-நிலை அம்சப் பிரித்தெடுப்பை ஆஃப்லோட் செய்ய சென்சார்-ஃப்யூஷன் கம்ப்ரஷனை ஒருங்கிணைக்கவும்.
படி 3: வன்பொருளை மனதில் கொண்டு மாதிரியைப் பயிற்றுவித்து சுருக்கவும்
உங்கள் மாதிரி தொடக்கத்திலிருந்தே மேம்படுத்தப்பட்டுள்ளதை உறுதிசெய்ய வன்பொருள்-அவேர் பயிற்சி கருவிகளைப் பயன்படுத்தவும்:
• குவாண்டிசேஷன் செய்யும் போது துல்லியத்தைப் பாதுகாக்க, குவாண்டிசேஷன்-அவேர் பயிற்சி (QAT) மூலம் மாதிரியைப் பயிற்றுவிக்கவும். TFLite Micro மற்றும் PyTorch Mobile போன்ற கருவிகள் QAT-ஐ ஆதரிக்கின்றன.
• கட்டமைக்கப்பட்ட அடர்த்தியை உருவாக்க, கத்தரிப்பு-அறிவார்ந்த பயிற்சியைப் பயன்படுத்தவும். எடுத்துக்காட்டாக, TensorFlow மாதிரி மேம்படுத்தல் கருவித்தொகுப்பு உங்கள் வன்பொருளின் நினைவக அமைப்பைப் பொருத்தும் கத்தரிப்பு வடிவங்களை (எ.கா., 32-பிட் தொகுதிகள்) வரையறுக்க உங்களை அனுமதிக்கிறது.
• சென்சார்-இணைப்பைப் பயன்படுத்தினால், இணக்கத்தன்மையை உறுதிப்படுத்த ISP-பிரித்தெடுக்கப்பட்ட அம்சங்களில் (மூல பிக்சல்கள் அல்ல) மாதிரியைப் பயிற்றுவிக்கவும்.
படி 4: இலக்கு வன்பொருளில் செயல்திறனைச் சரிபார்க்கவும்
ஒரு சிமுலேட்டரில் சோதனை செய்வது போதாது - அளவிட உங்கள் உண்மையான கேமரா தொகுதியில் சுருக்கப்பட்ட மாதிரியைச் சரிபார்க்கவும்:
• துல்லியம்: சுருக்கம் செயல்திறனைக் குறைக்கவில்லை என்பதை உறுதிப்படுத்தவும் (எ.கா., பெரும்பாலான பயன்பாட்டு நிகழ்வுகளுக்கு பொருள் கண்டறிதல் துல்லியம் 95% க்கு மேல் இருக்க வேண்டும்).
• தாமதம்: நிகழ்நேர அனுமானத்தை (எ.கா., இயக்கத்தைக் கண்டறிய ஒரு பிரேமுக்கு <100 ms) இலக்காகக் கொள்ளுங்கள்.
• ஆற்றல் நுகர்வு: அனுமானத்தின் போது பேட்டரி வடிகால் அளவிட Nordic Power Profiler Kit போன்ற கருவிகளைப் பயன்படுத்தவும்.
துல்லியம், தாமதம் மற்றும் ஆற்றல் பயன்பாடு ஆகியவற்றை நீங்கள் சமநிலைப்படுத்தும் வரை உங்கள் சுருக்க உத்தியை மீண்டும் செய்யவும்.
நிஜ உலக வெற்றி கதை: ஒரு அணியக்கூடிய கேமரா எவ்வாறு சினெர்ஜி-இயக்கப்படும் சுருக்கத்தைப் பயன்படுத்தியது
ஒரு நிஜ உதாரணத்தைப் பார்ப்போம்: ஒரு அணியக்கூடிய உடற்பயிற்சி கேமரா நிறுவனம் தங்கள் குறைந்த-ஆற்றல் தொகுதியில் (Arm Cortex-M7 MCU உடன் 512 KB SRAM ஆல் இயக்கப்படுகிறது) நிகழ்நேர செயல்பாடு அங்கீகாரத்தைச் சேர்க்க விரும்பியது (எ.கா., ஓடுதல், நடத்தல்). பாரம்பரிய 8-பிட் குவாண்டிசேஷன் அவர்களின் மாதிரி அளவை 75% குறைத்தது, ஆனால் மாதிரி இன்னும் 2 மணி நேரத்தில் பேட்டரியை வடிகட்டியது மற்றும் 200 ms தாமதத்தைக் கொண்டிருந்தது - நிகழ்நேர பயன்பாட்டிற்கு மிகவும் மெதுவாக இருந்தது.
குழு வன்பொருள்-அல்காரிதம் இணை-வடிவமைப்பு அணுகுமுறைக்கு மாறியது:
• MCU-வின் மெமரி அலைன்மென்ட்டுடன் பொருந்தக்கூடிய 32-பிட் பிளாக் ஸ்பார்சிட்டியை உருவாக்க, ஆர்க்கிடெக்சர்-அவேர் ப்ரூனிங் பயன்படுத்தப்பட்டது. இது மெமரி பேண்ட்வித் பயன்பாட்டை 38% குறைத்தது.
• சென்சார்-ஃப்யூஷன் கம்ப்ரஷன் ஒருங்கிணைக்கப்பட்டது: கேமராவின் ISP, ரா இமேஜ்களில் இருந்து எட்ஜ் ஃபீச்சர்களைப் பிரித்தெடுத்து, உள்ளீட்டு அளவை 70% குறைத்தது.
• Arm-ன் Vela கம்பைலரைப் பயன்படுத்தி, டைனமிக் குவாண்டைசேஷன் (கன்வல்யூஷன் லேயர்களுக்கு 8-பிட், ஆக்டிவேஷன் லேயர்களுக்கு 16-பிட்) பயன்படுத்தப்பட்டது.
முடிவு: கம்ப்ரஸ் செய்யப்பட்ட மாடல் ஒரு ஃபிரேமுக்கு 85 மில்லிசெகண்டுகளில் (ரியல்-டைம்) இயங்கியது, பேட்டரி பயன்பாட்டை 8 மணிநேரமாகக் குறைத்தது, மற்றும் 96% ஆக்டிவிட்டி ரெகக்னிஷன் துல்லியத்தைப் பராமரித்தது. இந்தத் தயாரிப்பு வெற்றிகரமாக அறிமுகப்படுத்தப்பட்டது, மேலும் AI அம்சம் ஒரு முக்கிய விற்பனை அம்சமாக மாறியது.
எதிர்காலப் போக்குகள்: குறைந்த-சக்தி கேமராக்களில் AI சுருக்கத்திற்கான அடுத்தது என்ன
குறைந்த-சக்தி கேமரா வன்பொருள் உருவாகும்போது, சுருக்க நுட்பங்களும் உருவாகும். கவனிக்க வேண்டிய மூன்று போக்குகள் இங்கே:
• சுருக்கத்திற்கான ஜெனரேட்டிவ் AI: AI மாதிரிகள் இயல்பாகவே சுருக்கப்பட்ட, வன்பொருள்-குறிப்பிட்ட மாதிரி கட்டமைப்புகளை (எ.கா., நியூரல் கட்டமைப்பு தேடல் அல்லது NAS ஐப் பயன்படுத்தி) உருவாக்கும். கூகிளின் AutoML for Edge போன்ற கருவிகள் இதை டெவலப்பர்களுக்கு அணுகக்கூடியதாக மாற்றும்.
• ஆன்-டிவைஸ் அடாப்டிவ் கம்ப்ரஷன்: கேமராக்கள் பயன்பாட்டு வழக்குக்கு (எ.கா., முக அங்கீகாரத்திற்கு அதிக துல்லியம், இயக்க கண்டறிதலுக்கு குறைந்த துல்லியம்) மற்றும் பேட்டரி நிலைக்கு (எ.கா., பேட்டரி குறைவாக இருக்கும்போது அதிக ஆக்கிரமிப்பு சுருக்கம்) ஏற்ப சுருக்க அளவுகளை மாறும் வகையில் சரிசெய்யும்.
• 3D ஸ்டாக்டு மெமரி ஒருங்கிணைப்பு: எதிர்கால குறைந்த-சக்தி கேமராக்கள் 3D ஸ்டாக்டு மெமரியைப் பயன்படுத்தும் (MCU/முடுக்கிக்கு நேரடியாக நினைவகத்தை வைப்பது), இது இன்னும் திறமையான தரவு அணுகலை செயல்படுத்துகிறது. தாமதம் மற்றும் ஆற்றல் பயன்பாட்டைக் குறைக்கும் வகையில் இந்த கட்டமைப்பைப் பயன்படுத்திக் கொள்ள சுருக்க நுட்பங்கள் வடிவமைக்கப்படும்.
முடிவுரை: குறைந்த-சக்தி கேமரா AI ஐத் திறப்பதற்கான திறவுகோல் ஒருங்கிணைப்பு
குறைந்த சக்தி கொண்ட கேமரா தொகுதிகளுக்கான AI மாதிரி சுருக்கம் என்பது மாதிரிகளைச் சிறியதாக்குவது மட்டுமல்ல, மாதிரிகள் வன்பொருளுடன் வேலை செய்வதை உறுதி செய்வதாகும். வன்பொருள்-அல்காரிதம் இணை வடிவமைப்பு, சுருக்க நுட்பங்கள் ஆற்றல் மற்றும் கணக்கீட்டு கட்டுப்பாடுகளுக்குள் பொருந்துவது மட்டுமல்லாமல், கேமராவின் தனித்துவமான கட்டமைப்பைப் பயன்படுத்தி வேகமான, மிகவும் திறமையான AI ஐ வழங்குவதை உறுதி செய்கிறது. கட்டமைப்பு-விழிப்புணர்வுடன் கூடிய கத்தரித்தல், டைனமிக் குவாண்டிசேஷன் மற்றும் சென்சார்-ஃப்யூஷன் சுருக்கம் ஆகியவற்றை ஏற்றுக்கொள்வதன் மூலம், உங்கள் குறைந்த சக்தி கொண்ட கேமரா தயாரிப்புகளுக்கு நிகழ்நேர, பேட்டரி-நட்பு AI ஐ நீங்கள் திறக்க முடியும் - அவை ஸ்மார்ட் ஹோம்களாக இருந்தாலும், அணியக்கூடிய சாதனங்களாக இருந்தாலும் அல்லது தொழில்துறை IoT ஆக இருந்தாலும் சரி.
தொடங்கத் தயாரா? உங்கள் கேமரா தொகுதியின் வன்பொருள் கட்டுப்பாடுகளை வரைபடமாக்குவதன் மூலம் தொடங்குங்கள், பின்னர் நீங்கள் கோடிட்டுக் காட்டியுள்ள கருவிகள் மற்றும் கட்டமைப்புகளைப் பயன்படுத்தி ஒரு ஒருங்கிணைந்த சுருக்க உத்தியை உருவாக்குங்கள். குறைந்த சக்தி கொண்ட கேமரா AI-யின் எதிர்காலம் கூட்டு முயற்சியாகும் - மேலும் அது உங்கள் எட்டக்கூடிய தூரத்தில் உள்ளது.
தொடர்பு
உங்கள் தகவலை விட்டு நாங்கள் உங்களை தொடர்பு கொள்ளுவோம்.
WhatsApp
WeChat