恩智浦Maivin AI Vision工具包加快基于视觉的工业设计

恩智浦Maivin AI Vision工具包加快基于视觉的工业设计

机器学习的重要性与日俱增

在云端进行机器学习是支持人们使用智能手机语音助手或智能扬声器语音助手的关键技术，它还支持社交媒体甚至手机对包含特定人员的照片进行分组。但这些用例都依赖在云端服务器上运行的机器学习。

边缘机器学习的另一个关键优势是保护数据安全。收集的专有数据（如边缘设备捕获的员工、生产和物流数据）将在边缘进行处理并保存在本地。系统不会把信息发送到云端进行处理，仅在云端进行记录和跟踪。企业的隐私不会受到损害，企业可自行决定是否在云端共享信息。

需要什么程度的边缘机器学习？

现在，考虑到对边缘机器学习的需求较大，问题变成了需要什么程度的机器学习。衡量机器学习加速器的一种方法是每秒的运算次数 （通常是8位整数相乘或累加），通常称为TOPS（即每秒万亿次运算）。这是基本基准，因为整体系统性能也受许多其他因素影响，但TOPS是使用最多的机器学习测量方法之一。

下一步：图像信号处理器 （ISP）

没有ISP的应用处理器也适用于分辨率相对较低的摄像头。在100万像素或更低的分辨率下，图像传感器通常内置了ISP，可将RGB或YUV图像输出到应用处理器，处理器内不需要ISP。

借助基于智能视觉的系统，智能工厂可以提高生产率、质量和安全性。

推动智能边缘设备的发展

借助嵌入式ISP，它可以打造直连到本地图像传感器的高质量图像优化系统，甚至可以将这些图像数据提供给较新的机器学习算法，所有这些都可以减轻本地机器学习加速器的负担。

采用为机器学习和视觉系统而优化的i.MX 8M Plus架构，边缘设备设计人员能够像恩智浦一样敢为人先，敢于引领和创新。他们拥有强大的机器学习能力，配合高清摄像头系统，能够让设备看得更清晰、更远。嵌入式领域不断涌现新的创新机遇。

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。