Arm 機器學習方案 Project Trillium 先以行動裝置端的推理與機器視覺當中的物件辨識出發

2018.03.07 11:19AM
arm12_6.jpg

在當前端末進行機器學習的大宗趨勢,行動運算裝置勢必是對機器學習需求最顯著的領域,而終端裝置端又以機器學習的推理部分最需要即時處理;另一方面,當前機器學習發展最主流的應用為機器視覺當中的物件偵測,故 Project Trillium 雖是以涵蓋所有機器學習相關領域為最終目的,但首先規劃的兩項 IP 架構則個別針對行動運算以及物件辨識。

是Arm 機器學習方案 Project Trillium 先以行動裝置端的推理與機器視覺當中的物件辨識出發這篇文章的第1圖

Arm Project Trillium 首款 ML 加速器是針對行動運算領域所規劃,為機器學習當中的推理的部分進行加速,這也是多數在終端裝置當中被視為較重要的部分,畢竟學習的部分較不需要即時處理,可透過效率更高的雲端伺服器進行,然而推理講求即時性,也需要在終端進行處理;此 ML 架構基於 7nm 製程最佳化,可提供 4.6TOPs 的性能,且效能功耗比達到 3TOPs/W 。

是Arm 機器學習方案 Project Trillium 先以行動裝置端的推理與機器視覺當中的物件辨識出發這篇文章的第2圖

至於 Arm 的物件偵測處理器已經邁入第二世代,新一代的物件偵測處理器可即時處理 Full HD 60p 的影像流,並可辨識 50x60 像素點大小的物體,理論上可達到無限物件的辨識,舉凡從人臉識別、安全監控到自動駕駛的道路物件、路標辨識,都能夠採用此物件偵測處理器提供高性能的快速辨識。

是Arm 機器學習方案 Project Trillium 先以行動裝置端的推理與機器視覺當中的物件辨識出發這篇文章的第3圖

雖然這兩項 IP 可混合使用,不過並非綑綁授權,因應不同的領域,客戶可各別進行授權,例如安控攝影機的處理器可單獨導入物件偵測處理器 IP 提升影像偵測性能,不一定需要導入 ML 加速器架構,然而像是強調拍照功能的頂尖智慧手機應用處理器,則可同時利用導入這兩項 IP ,為拍照、人臉辨識等應用提供更好的性能。

是Arm 機器學習方案 Project Trillium 先以行動裝置端的推理與機器視覺當中的物件辨識出發這篇文章的第4圖

這兩項架構只是個開始, Arm 未來也將持續針對各種領域對於人工智慧、機器學習的需求提供各種具擴充性的軟體與硬體方案,並與合作夥伴所具備的技術整合,使端末的機器學習更具效率,並足以提供更強大、多元的應用。

0 則回應

你可能有興趣的文章