算能边缘盒子性能测试

最新推荐文章于 2024-07-26 13:24:37 发布
最新推荐文章于 2024-07-26 13:24:37 发布
阅读量665 收藏 9
点赞数 4
文章标签： 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/shiner_chen/article/details/136658072
版权

算能边缘盒子性能测试

本次对算能的边缘盒子：SE50221和SE9 16-BP1-11进行了性能测试，两个盒子的规格参数如下：

1. SE50221

TPU算力：17.6 TOPS@INT8；2.2 TFLOPS@FP32 ， 不支持FP16.

1.1. 产品图片

在这里插入图片描述

1.2. 规格参数：

1.3. 性能测试

分别采用YOLOV5S v6.1的版本F32模型和INT8模型，进行图片测试，测试结果如下：

1.3.1. FP32模型推理

模型端到端推理耗时为：4.645+2.320+22.299+16.525=45.789毫秒

linaro@sophon:/data/sophon-demo_v0.1.8_dbb4632_20231116/sample/YOLOv5/cpp/yolov5_bmcv$ ./yolov5_bmcv.soc --input=../../datasets/test --bmodel=../../models/BM1684/yolov5s_v6.1_3output_fp32_1b.bmodel  --dev_id=0 --conf_thresh=0.5 --mns_thresh=0.5 --obj_thresh=0.5 --classname=../../datasets/coco.names
set device id: 0
[BMRT][bmcpu_setup:406] INFO:cpu_lib 'libcpuop.so' is loaded.
bmcpu init: skip cpu_user_defined
open usercpu.so, init user_cpu_init
[BMRT][load_bmodel:1084] INFO:Loading bmodel from [../../models/BM1688/yolov5s_v6.1_3output_fp32_1b.bmodel]. Thanks for your patience...
[BMRT][load_bmodel:1023] INFO:pre net num: 0, load net num: 1
YoloV5 ctor ..
*** Run in SOC mode ***

########################
---- stage 0 ----
  Input 0) 'images' shape=[ 1 3 640 640 ] dtype=FLOAT32 scale=1
  Output 0) 'output_Transpose' shape=[ 1 3 80 80 85 ] dtype=FLOAT32 scale=1
  Output 1) '365_Transpose' shape=[ 1 3 40 40 85 ] dtype=FLOAT32 scale=1
  Output 2) '385_Transpose' shape=[ 1 3 20 20 85 ] dtype=FLOAT32 scale=1
########################

1/4, img_file: ../../datasets/test/000000547383.jpg
2/4, img_file: ../../datasets/test/3.jpg
3/4, img_file: ../../datasets/test/dog.jpg
4/4, img_file: ../../datasets/test/zidane.jpg
================
result saved in results/yolov5s_v6.1_3output_fp32_1b.bmodel_test_bmcv_cpp_result.json

############################
SUMMARY: yolov5 test
############################
[                  decode time]  loops:    4 avg: 4.645 ms
[            yolov5 preprocess]  loops:    4 avg: 2.320 ms
[             yolov5 inference]  loops:    4 avg: 22.299 ms
[           yolov5 postprocess]  loops:    4 avg: 16.525 ms
[post 1: get output and decode]  loops:    4 avg: 12.342 ms
[         post 2: filter boxes]  loops:    4 avg: 3.229 ms
[                  post 3: nms]  loops:    4 avg: 0.012 ms
YoloV5 dtor ...
1.3.2. INT8模型模型推理

模型端到端推理耗时为：4.645+1.802+11.202+16.562=34.211毫秒

linaro@sophon:/data/sophon-demo_v0.1.8_dbb4632_20231116/sample/YOLOv5/cpp/yolov5_bmcv$ ./yolov5_bmcv.soc --input=../../datasets/test --bmodel=../../models/BM1684/yolov5s_v6.1_3output_fp32_1b.bmodel  --dev_id=0 --conf_thresh=0.5 --mns_thresh=0.5 --obj_thresh=0.5 --classname=../../datasets/coco.names
set device id: 0
[BMRT][bmcpu_setup:406] INFO:cpu_lib 'libcpuop.so' is loaded.
bmcpu init: skip cpu_user_defined
open usercpu.so, init user_cpu_init
[BMRT][load_bmodel:1084] INFO:Loading bmodel from [../../models/BM1688/yolov5s_v6.1_3output_fp32_1b.bmodel]. Thanks for your patience...
[BMRT][load_bmodel:1023] INFO:pre net num: 0, load net num: 1
YoloV5 ctor ..
*** Run in SOC mode ***

########################
---- stage 0 ----
  Input 0) 'images' shape=[ 1 3 640 640 ] dtype=FLOAT32 scale=1
  Output 0) 'output_Transpose' shape=[ 1 3 80 80 85 ] dtype=FLOAT32 scale=1
  Output 1) '365_Transpose' shape=[ 1 3 40 40 85 ] dtype=FLOAT32 scale=1
  Output 2) '385_Transpose' shape=[ 1 3 20 20 85 ] dtype=FLOAT32 scale=1
########################

1/4, img_file: ../../datasets/test/000000547383.jpg
2/4, img_file: ../../datasets/test/3.jpg
3/4, img_file: ../../datasets/test/dog.jpg
4/4, img_file: ../../datasets/test/zidane.jpg
================
result saved in results/yolov5s_v6.1_3output_fp32_1b.bmodel_test_bmcv_cpp_result.json

############################
SUMMARY: yolov5 test
############################
[                  decode time]  loops:    4 avg: 4.645 ms
[            yolov5 preprocess]  loops:    4 avg: 1.802 ms
[             yolov5 inference]  loops:    4 avg: 11.202 ms
[           yolov5 postprocess]  loops:    4 avg: 16.562 ms
[post 1: get output and decode]  loops:    4 avg: 12.340 ms
[         post 2: filter boxes]  loops:    4 avg: 3.249 ms
[                  post 3: nms]  loops:    4 avg: 0.012 ms
YoloV5 dtor ...

4645 usdecode time4 avg:loops:4 avg:1802 usyolov5 preprocessloops:4 avg:11202 usyolov5 inference.yolov5 postprocess4 avg:16562 usloops:4 avg: 12340 uslLoops:post 2: filter boxes]4 avg:3249 usloops:post 3:nms4 avg: 12 us

2. SE9 16-BP1-11

SE9-16的TPU算力是：32TOPS@INT4; 16TOPS@INT8; 4TFLOPS@FP16/BF16; 0.25TFLOPS@FP32

2.1. 产品图片：

在这里插入图片描述

2.2. 规格参数：

在这里插入图片描述

2.3. 性能测试

分别采用YOLOV5S v6.1的版本FP32模型、FP16模型和INT8模型，进行了测试，测试结果如下：

2.3.1. FP32模型推理

模型端到端推理耗时为：6.567+2.429+98.383+22.943=130.322毫秒

linaro@sophon:/data/sophon-demo_v0.1.9_91d8161e_20231227/sample/YOLOv5/cpp/yolov5_bmcv$ ./yolov5_bmcv.soc --input=../../datasets/test --bmodel=../../models/BM1688/yolov5s_v6.1_3output_fp32_1b.bmodel  --dev_id=0 --conf_thresh=0.5 --mns_thresh=0.5 --obj_thresh=0.5 --classname=../../datasets/coco.names
set device id: 0
[BMRT][bmcpu_setup:435] INFO:cpu_lib 'libcpuop.so' is loaded.
bmcpu init: skip cpu_user_defined
open usercpu.so, init user_cpu_init
[BMRT][BMProfile:59] INFO:Profile For arch=4
[BMRT][BMProfileDeviceBase:190] INFO:gdma=0, tiu=0, mcu=0
[BMRT][load_bmodel:1573] INFO:Loading bmodel from [../../models/BM1688/yolov5s_v6.1_3output_fp32_1b.bmodel]. Thanks for your patience...
[BMRT][load_bmodel:1501] INFO:pre net num: 0, load net num: 1
YoloV5 ctor ..
*** Run in SOC mode ***

########################
NetName: yolov5s_v6.1_3output
---- stage 0 ----
  Input 0) 'images' shape=[ 1 3 640 640 ] dtype=FLOAT32 scale=1
  Output 0) 'output_Transpose' shape=[ 1 3 80 80 85 ] dtype=FLOAT32 scale=1
  Output 1) '365_Transpose' shape=[ 1 3 40 40 85 ] dtype=FLOAT32 scale=1
  Output 2) '385_Transpose' shape=[ 1 3 20 20 85 ] dtype=FLOAT32 scale=1
########################

1/4, img_file: ../../datasets/test/000000547383.jpg
2/4, img_file: ../../datasets/test/3.jpg
3/4, img_file: ../../datasets/test/dog.jpg
4/4, img_file: ../../datasets/test/zidane.jpg
================
result saved in results/yolov5s_v6.1_3output_fp32_1b.bmodel_test_bmcv_cpp_result.json

############################
SUMMARY: yolov5 test
############################
[                  decode time]  loops:    4 avg: 6.567000 ms
[            yolov5 preprocess]  loops:    4 avg: 2.429000 ms
[             yolov5 inference]  loops:    4 avg: 98.383000 ms
[           yolov5 postprocess]  loops:    4 avg: 22.943000 ms
[post 1: get output and decode]  loops:    4 avg: 17.845000 ms
[         post 2: filter boxes]  loops:    4 avg: 4.896000 ms
[                  post 3: nms]  loops:    4 avg: 0.016000 ms
YoloV5 dtor ...
2.3.2. FP16模型推理

模型端到端推理耗时为：6.592+2.422+ 27.805+24.594=61.413毫秒

linaro@sophon:/data/sophon-demo_v0.1.9_91d8161e_20231227/sample/YOLOv5/cpp/yolov5_bmcv$ ./yolov5_bmcv.soc --input=../../datasets/test --bmodel=../../models/BM1688/yolov5s_v6.1_3output_fp16_1b.bmodel  --dev_id=0 --conf_thresh=0.5 --mns_thresh=0.5 --obj_thresh=0.5 --classname=../../datasets/coco.names
set device id: 0
[BMRT][bmcpu_setup:435] INFO:cpu_lib 'libcpuop.so' is loaded.
bmcpu init: skip cpu_user_defined
open usercpu.so, init user_cpu_init
[BMRT][BMProfile:59] INFO:Profile For arch=4
[BMRT][BMProfileDeviceBase:190] INFO:gdma=0, tiu=0, mcu=0
[BMRT][load_bmodel:1573] INFO:Loading bmodel from [../../models/BM1688/yolov5s_v6.1_3output_fp16_1b.bmodel]. Thanks for your patience...
[BMRT][load_bmodel:1501] INFO:pre net num: 0, load net num: 1
YoloV5 ctor ..
*** Run in SOC mode ***

########################
NetName: yolov5s_v6.1_3output
---- stage 0 ----
  Input 0) 'images' shape=[ 1 3 640 640 ] dtype=FLOAT32 scale=1
  Output 0) 'output_Transpose_f32' shape=[ 1 3 80 80 85 ] dtype=FLOAT32 scale=1
  Output 1) '365_Transpose_f32' shape=[ 1 3 40 40 85 ] dtype=FLOAT32 scale=1
  Output 2) '385_Transpose_f32' shape=[ 1 3 20 20 85 ] dtype=FLOAT32 scale=1
########################

1/4, img_file: ../../datasets/test/000000547383.jpg
2/4, img_file: ../../datasets/test/3.jpg
3/4, img_file: ../../datasets/test/dog.jpg
4/4, img_file: ../../datasets/test/zidane.jpg
================
result saved in results/yolov5s_v6.1_3output_fp16_1b.bmodel_test_bmcv_cpp_result.json

############################
SUMMARY: yolov5 test
############################
[                  decode time]  loops:    4 avg: 6.592000 ms
[            yolov5 preprocess]  loops:    4 avg: 2.422000 ms
[             yolov5 inference]  loops:    4 avg: 27.805000 ms
[           yolov5 postprocess]  loops:    4 avg: 24.594000 ms
[post 1: get output and decode]  loops:    4 avg: 19.502000 ms
[         post 2: filter boxes]  loops:    4 avg: 4.887000 ms
[                  post 3: nms]  loops:    4 avg: 0.017000 ms
YoloV5 dtor ...

视频推理，平均每帧端到端推理时间：4.784+27.601000+22.611=54.996毫秒

linaro@sophon:/data/sophon-demo_v0.1.9_91d8161e_20231227/sample/YOLOv5/cpp/yolov5_bmcv$ ./yolov5_bmcv.soc --input=../../datasets/test_car_person_1080P.mp4 --bmodel=../../models/BM1688/yolov5s_v6.1_3output_fp16_1b.bmodel  --dev_id=0 --conf_thresh=0.5 --mns_thresh=0.5 --obj_thresh=0.5 --classname=../../datasets/coco.names
set device id: 0
[BMRT][bmcpu_setup:435] INFO:cpu_lib 'libcpuop.so' is loaded.
bmcpu init: skip cpu_user_defined
open usercpu.so, init user_cpu_init
[BMRT][BMProfile:59] INFO:Profile For arch=4
[BMRT][BMProfileDeviceBase:190] INFO:gdma=0, tiu=0, mcu=0
[BMRT][load_bmodel:1573] INFO:Loading bmodel from [../../models/BM1688/yolov5s_v6.1_3output_fp16_1b.bmodel]. Thanks for your patience...
[BMRT][load_bmodel:1501] INFO:pre net num: 0, load net num: 1
YoloV5 ctor ..
*** Run in SOC mode ***

########################
NetName: yolov5s_v6.1_3output
---- stage 0 ----
  Input 0) 'images' shape=[ 1 3 640 640 ] dtype=FLOAT32 scale=1
  Output 0) 'output_Transpose_f32' shape=[ 1 3 80 80 85 ] dtype=FLOAT32 scale=1
  Output 1) '365_Transpose_f32' shape=[ 1 3 40 40 85 ] dtype=FLOAT32 scale=1
  Output 2) '385_Transpose_f32' shape=[ 1 3 20 20 85 ] dtype=FLOAT32 scale=1
########################

[h264_bm @ 0x5589d07480] bm decoder id: 0
[h264_bm @ 0x5589d07480] bm output format: 0
[h264_bm @ 0x5589d07480] mode bitstream: 2, frame delay: -1
[h264_bm @ 0x5589d07480] openDec video_stream_idx = 0, pix_fmt = 23
1, det_nums: 6
2, det_nums: 6
3, det_nums: 6
4, det_nums: 6
5, det_nums: 6
6, det_nums: 6
.......
587, det_nums: 7
[h264_bm @ 0x5589d07480] av_read_frame ret(-541478725) maybe eof...
588, det_nums: 6
589, det_nums: 6
590, det_nums: 7
591, det_nums: 8
592, det_nums: 7
#VideoDecFFM exit

############################
SUMMARY: yolov5 test
############################
[            yolov5 preprocess]  loops:  592 avg: 4.784000 ms
[             yolov5 inference]  loops:  592 avg: 27.601000 ms
[           yolov5 postprocess]  loops:  592 avg: 22.611000 ms
[post 1: get output and decode]  loops:  592 avg: 17.452000 ms
[         post 2: filter boxes]  loops:  592 avg: 4.946000 ms
[                  post 3: nms]  loops:  592 avg: 0.031000 ms
YoloV5 dtor ...

1路视频，TPU利用率：17%

Tue Mar 12 16:50:37 2024
+--------------------------------------------------------------------------------------------------+
| SDK Version:    0.4.9             Driver Version:  0.4.9                                         |
+---------------------------------------+----------------------------------------------------------+
|card  Name      Mode        SN         |TPU  boardT  chipT   TPU_P  TPU_V  ECC  CorrectN  Tpu-Util|
|12V_ATX  MaxP boardP Minclk Maxclk  Fan|Bus-ID      Status   Currclk   TPU_C   Memory-Usage       |
|=======================================+==========================================================|
| 0  1688-SOC     SOC      N/A          | 0    N/A     N/A     N/A     N/A  N/A    N/A         17% |
|   N/A   N/A   N/A  450M     900M   N/A| N/A        Active    900M       N/A   352MB/ 6144MB      |
+=======================================+==========================================================+

+--------------------------------------------------------------------------------------------------+
| Processes:                                                                            TPU Memory |
|  TPU-ID       PID   Process name                                                      Usage      |
|==================================================================================================|
        0   3617144  ./yolov5_bmcv.soc                                                   0MB
        0   3617144  ./yolov5_bmcv.soc                                                  65MB
2.3.3. INT8模型推理

模型端到端推理耗时为：6.702+2.452+7.593+24.163=40.91毫秒

linaro@sophon:/data/sophon-demo_v0.1.9_91d8161e_20231227/sample/YOLOv5/cpp/yolov5_bmcv$ ./yolov5_bmcv.soc --input=../../datasets/test --bmodel=../../models/BM1688/yolov5s_v6.1_3output_int8_1b.bmodel  --dev_id=0 --conf_thresh=0.5 --mns_thresh=0.5 --obj_thresh=0.5 --classname=../../datasets/coco.names
set device id: 0
[BMRT][bmcpu_setup:435] INFO:cpu_lib 'libcpuop.so' is loaded.
bmcpu init: skip cpu_user_defined
open usercpu.so, init user_cpu_init
[BMRT][BMProfile:59] INFO:Profile For arch=4
[BMRT][BMProfileDeviceBase:190] INFO:gdma=0, tiu=0, mcu=0
[BMRT][load_bmodel:1573] INFO:Loading bmodel from [../../models/BM1688/yolov5s_v6.1_3output_int8_1b.bmodel]. Thanks for your patience...
[BMRT][load_bmodel:1501] INFO:pre net num: 0, load net num: 1
YoloV5 ctor ..
*** Run in SOC mode ***

########################
NetName: yolov5s_v6.1_3output
---- stage 0 ----
  Input 0) 'images' shape=[ 1 3 640 640 ] dtype=FLOAT32 scale=1
  Output 0) 'output_Transpose_f32' shape=[ 1 3 80 80 85 ] dtype=FLOAT32 scale=1
  Output 1) '365_Transpose_f32' shape=[ 1 3 40 40 85 ] dtype=FLOAT32 scale=1
  Output 2) '385_Transpose_f32' shape=[ 1 3 20 20 85 ] dtype=FLOAT32 scale=1
########################

1/4, img_file: ../../datasets/test/000000547383.jpg
2/4, img_file: ../../datasets/test/3.jpg
3/4, img_file: ../../datasets/test/dog.jpg
4/4, img_file: ../../datasets/test/zidane.jpg
================
result saved in results/yolov5s_v6.1_3output_int8_1b.bmodel_test_bmcv_cpp_result.json

############################
SUMMARY: yolov5 test
############################
[                  decode time]  loops:    4 avg: 6.702000 ms
[            yolov5 preprocess]  loops:    4 avg: 2.452000 ms
[             yolov5 inference]  loops:    4 avg: 7.593000 ms
[           yolov5 postprocess]  loops:    4 avg: 24.163000 ms
[post 1: get output and decode]  loops:    4 avg: 18.327000 ms
[         post 2: filter boxes]  loops:    4 avg: 5.641000 ms
[                  post 3: nms]  loops:    4 avg: 0.017000 ms
YoloV5 dtor ...

视频推理，平均每帧端到端推理时间：4.815+7.434+22.668=34.917毫秒

linaro@sophon:/data/sophon-demo_v0.1.9_91d8161e_20231227/sample/YOLOv5/cpp/yolov5_bmcv$ ./yolov5_bmcv.soc --input=../../datasets/test_car_person_1080P.mp4 --bmodel=../../models/BM1688/yolov5s_v6.1_3output_int8_1b.bmodel  --dev_id=0 --conf_thresh=0.5 --mns_thresh=0.5 --obj_thresh=0.5 --classname=../../datasets/coco.names
set device id: 0
[BMRT][bmcpu_setup:435] INFO:cpu_lib 'libcpuop.so' is loaded.
bmcpu init: skip cpu_user_defined
open usercpu.so, init user_cpu_init
[BMRT][BMProfile:59] INFO:Profile For arch=4
[BMRT][BMProfileDeviceBase:190] INFO:gdma=0, tiu=0, mcu=0
[BMRT][load_bmodel:1573] INFO:Loading bmodel from [../../models/BM1688/yolov5s_v6.1_3output_int8_1b.bmodel]. Thanks for your patience...
[BMRT][load_bmodel:1501] INFO:pre net num: 0, load net num: 1
YoloV5 ctor ..
*** Run in SOC mode ***

########################
NetName: yolov5s_v6.1_3output
---- stage 0 ----
  Input 0) 'images' shape=[ 1 3 640 640 ] dtype=FLOAT32 scale=1
  Output 0) 'output_Transpose_f32' shape=[ 1 3 80 80 85 ] dtype=FLOAT32 scale=1
  Output 1) '365_Transpose_f32' shape=[ 1 3 40 40 85 ] dtype=FLOAT32 scale=1
  Output 2) '385_Transpose_f32' shape=[ 1 3 20 20 85 ] dtype=FLOAT32 scale=1
########################

[h264_bm @ 0x5579297350] bm decoder id: 0
[h264_bm @ 0x5579297350] bm output format: 0
[h264_bm @ 0x5579297350] mode bitstream: 2, frame delay: -1
[h264_bm @ 0x5579297350] openDec video_stream_idx = 0, pix_fmt = 23
1, det_nums: 6
2, det_nums: 6
3, det_nums: 6
.......
588, det_nums: 5
589, det_nums: 5
590, det_nums: 7
591, det_nums: 7
592, det_nums: 6
#VideoDecFFM exit

############################
SUMMARY: yolov5 test
############################
[            yolov5 preprocess]  loops:  592 avg: 4.815000 ms
[             yolov5 inference]  loops:  592 avg: 7.434000 ms
[           yolov5 postprocess]  loops:  592 avg: 22.668000 ms
[post 1: get output and decode]  loops:  592 avg: 17.498000 ms
[         post 2: filter boxes]  loops:  592 avg: 4.960000 ms
[                  post 3: nms]  loops:  592 avg: 0.028000 ms
YoloV5 dtor ...

1路视频，TPU 利用率: 7%

Tue Mar 12 16:43:46 2024
+--------------------------------------------------------------------------------------------------+
| SDK Version:    0.4.9             Driver Version:  0.4.9                                         |
+---------------------------------------+----------------------------------------------------------+
|card  Name      Mode        SN         |TPU  boardT  chipT   TPU_P  TPU_V  ECC  CorrectN  Tpu-Util|
|12V_ATX  MaxP boardP Minclk Maxclk  Fan|Bus-ID      Status   Currclk   TPU_C   Memory-Usage       |
|=======================================+==========================================================|
| 0  1688-SOC     SOC      N/A          | 0    N/A     N/A     N/A     N/A  N/A    N/A          6% |
|   N/A   N/A   N/A  450M     900M   N/A| N/A        Active    900M       N/A   340MB/ 6144MB      |
+=======================================+==========================================================+

+--------------------------------------------------------------------------------------------------+
| Processes:                                                                            TPU Memory |
|  TPU-ID       PID   Process name                                                      Usage      |
|==================================================================================================|
        0   3613086  ./yolov5_bmcv.soc                                                   0MB
        0   3613086  ./yolov5_bmcv.soc                                                  59MB
shiner_chen
关注
  • 4
    点赞
  • 踩
  • 9
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
如何在算能SE5智算盒上运行多媒体（转码）示例
weixin_45254940的博客
01-19 728
算能SE5智算盒上运行多媒体（转码）示例
英码科技算能系列边缘计算盒子再添新成员！搭载TPU处理器BM1688&CV186AH，功耗更低、接口更丰富
weixin_42780701的博客
05-20 677
此外，BM1688和CV186AH内置了AI ISP，可为用户提供更高的视频图像质量。近期，英码科技再度携手算能推出了基于BM1688&CV186AH的边缘计算盒子——IVP03E智能物联工作站，成为算能平台IVP03系列边缘计算盒子的新成员，具备计算性能强劲、功耗更低、能效比高、工业控制接口更丰富、支持HDMI直显等特点，可通过高效适配算法模型，助力工业、泛CV视觉等领域实现图片分类、目标检测、实例分割、语义分割、行为分析、文字识别、自然语言处理、语音识别、语音合成、搜索推荐等智能应用。
SOPHON算能服务器SDK环境配置和相关库安装
cumtchw
03-19 533
于是我直接在google搜索：dkms.noarch 0:3.0.12-1.el7.rpm下载，找到如下网页。后面安装的libsophon以及sophon-mw都在SDK大包里面。在下载的SDK大包中找到下面的内容，然后拷贝到算能服务器中。其中在安装dkms的时候提示下面的错误。在前面下载的SDK大包中找到如下内容，然后把其中的四个拷贝到算能服务器上。然后使用下面的命令安装。然后使用下面的命令安装。
【嵌入式模型转换】2. 算能盒子SE5 芯片板子BM1684 sophon-pipeline
weixin_40293999的博客
06-26 798
【嵌入式模型转换】1. 算能盒子SE5 芯片板子BM1684本篇文章的目的是要走通一个pipeline。这一段是算能git的介绍：起初看这个是云里雾里的，因为文档太多，后来和算能的工作人员沟通后，要把主要精力放到，这个git仓库的pipeline上。用的是 pipeline的V0.3.4 版本正愁还得确认依赖版本呢，人家的包都给装好了。真是幸福啊~
【SOPHON】算能盒子SE-16的配套x86交叉编译环境搭建
种一棵树最好的时间是十年前，其次是现在
10-19 628
tpu-mlir 为TPU编译器工程提供一套完整的工具链，可以将不同框架下预训练的神经网络，转化为可以在算能TPU上高效运行的二进制文件BModel。目前直接支持的框架包括tflite、onnx和Caffe。libsophon 提供BMCV、BMRuntime、BMLib等库，用来驱动VPP、TPU等硬件，完成图像处理、张量运算、模型推理等操作，供用户进行深度学习应用开发。
算能SoC盒子算法移植步骤
ZuoSeDiao的博客
01-21 1197
算能SoC盒子算法移植步骤
性能测试流程-各阶段的工作
一米阳光做IT
09-20 1582
1        性能测试流程 1.1      性能测试计划阶段 测试计划阶段主要工作如下： 1、明确测试对象 2、定义测试目标 3、定义测试通过的标准 4、规划测试进度 5、规划测试参与人员（需求、开发、测试、运维和配置） 6、申请测试资源 7、风险控制
算能科技裸机测试补充相关内容
11-01
本文档总结了算能科技裸机测试的相关内容，包括 WAN 口 IP 查询、算法移植流程测试、功能性能测试等多个方面。 一、WAN 口 IP 查询 在本地安装盒子机连接软件（如 xshell、MobaXterm 等），使用相关命令（ipconfig...
物联网边缘计算安全技术与应用研究报告.pdf
02-05
通过上述内容可以看出，物联网边缘计算不仅提高了物联网系统的性能，还带来了新的安全挑战。因此，建立有效的安全防护体系至关重要。这包括但不限于加强设备的安全设计、实施严格的访问控制策略、采用先进的加密技术...
GuideFilt.rar_图像处理 matlab_引导滤波_盒子滤波
07-15
在提供的文件列表中，`25092024-2e85264818b04c15a89626f8687be69c.jpg`可能是一个示例图像，用于演示或测试`GuideFilt.m`的功能。你可以加载这个图像，然后调用`GuideFilt.m`进行处理，观察结果以理解引导滤波的...
边缘平铺：最小化填充有编号平铺的给定盒子的总成本。-matlab开发
05-30
边缘平铺，也称为边界平铺或边缘对齐平铺，是一种几何问题，涉及如何用形状（通常是正多边形）有效地填充一个区域，使得形状的边界与区域的边界对齐。在这个特定的情况下，问题被转化为一个MATLAB游戏，称为"Tiles...
c语言盒子接球游戏源码.zip
05-27
4. **碰撞检测**：当球靠近盒子边缘时，需要检查是否发生碰撞。这通常涉及数学计算，比如判断球心距离盒子边缘的距离是否小于半径。一旦发生碰撞，球的运动方向需要相应改变。 5. **物理模拟**：球的下落速度和反弹...
基于双折线本构模型的能量计算
zzkll123的博客
12-20 1445
对比不同本构关系对单自由度体系能量分析的影响。
算能PCIe开发环境搭建-一些记录
CrazyFlyingBee的博客
12-06 274
算能PCIe开发环境搭建-一些记录
破茧成蝶，智启未来！2023全球边缘计算大会·上海站圆满召开！
边缘计算社区
12-20 120
2023年12月16日，第八届全球边缘计算大会在上海盛大举行。本次大会由边缘计算社区主办，得到了EMQ、戴尔科技集团、算能、SmartX、雅迅网络、Zenlayer等公司的鼎力支持。大会汇聚了行业顶尖团队，共同深入探讨了大语言模型、Edge AI、算力网络、边缘云、算力芯片等前沿议题。作为全球边缘计算领域最具影响力和活力的盛会，此次大会吸引了超过500位来自产、学、研、用各界的重量级嘉宾，包括企业...
Imaginatin携手算能，助力打造基于RISC-V的桌面级处理器
weixin_49393016的博客
11-20 142
北京算能科技有限公司在近期召开的开源项目SG2380 Kick Off Day 上，正式对外公布了 SG2380 的相关性能特点与参数信息，Imagination 作为合作伙伴出席现场。据算能介绍，SG2380是算能联合生态伙伴以及社区共同开发的首款基于RISC-V 架构的桌面级处理器，将TPU 与RISC-V 高度集成在一起，兼容主流 AI 大模型，为全球开源社区及广大开发者提供更加稳定、可靠...
边缘计算盒子 | 什么是边缘计算盒子？选型要看哪些参数？
scwwzh的博客
03-29 735
通常可以把边缘计算盒子(Edge Computing Box)理解成一种集成了边缘计算功能的硬件设备，通常部署在企业、工厂、医院等场景中，用于实现物联网(IoT)、智能制造、智慧城市等领域的应用。边缘计算盒子的核心能力在于计算，因此我们需要关注其处理器的性能，如CPU、GPU等。随着项目的需求和业务的发展，选型的边缘计算盒子可能需要支持更多的设备接入和功能扩展。这时候我们需要了解其支持的操作系统版本，以及预装的软件和服务，以便更好地满足自己的业务需求。再者就是数据的安全传输和存储，因此安全性能至关重要。
BM1684X开发板测试
Stanford_Vera的博客
08-03 239
关机输入：sudo poweroff（windows系统）；另外，如果已经成功进入 Linux 系统，也可以长按电源键，系统会检测到并安全地关闭系统和开发板电源。开发板接电，自动开机，开关机键即充电插头右边的黑色按钮；网线连接开发板和电脑；
2024钉钉杯A题思路详解
最新发布
全栈川川
07-26 1499
2024钉钉杯思路
视频结构化 边缘盒子
09-13
视频结构化是指将视频数据转化为可供分析和理解的结构化信息的过程。它可以包括识别视频中的对象、场景、动作等，并提取出相关特征。边缘盒子是指在视频结构化过程中，通过边缘计算设备来进行处理和分析的装置。它通常具有较小的体积、低功耗和高性能，可以在摄像头或者监控设备等边缘节点上进行实时的视频结构化处理，减少数据传输和延迟。 边缘盒子在视频结构化领域有着广泛的应用，例如智能监控系统、智能交通系统、视频内容分析等。通过将视频数据在边缘节点上进行实时处理和分析，可以提高系统的响应速度、降低网络负荷，并且保护用户隐私，因为敏感数据可以在本地处理而不需要上传到云端。 总的来说，视频结构化和边缘盒子是两个相互关联的概念，通过结合它们可以实现更高效、安全和智能的视频分析应用。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值