- English
- Español
- Português
- русский
- Français
- 日本語
- Deutsch
- tiếng Việt
- Italiano
- Nederlands
- ภาษาไทย
- Polski
- 한국어
- Svenska
- magyar
- Malay
- বাংলা ভাষার
- Dansk
- Suomi
- हिन्दी
- Pilipino
- Türkçe
- Gaeilge
- العربية
- Indonesia
- Norsk
- تمل
- český
- ελληνικά
- український
- Javanese
- فارسی
- தமிழ்
- తెలుగు
- नेपाली
- Burmese
- български
- ລາວ
- Latine
- Қазақша
- Euskal
- Azərbaycan
- Slovenský jazyk
- Македонски
- Lietuvos
- Eesti Keel
- Română
- Slovenski
- मराठी
- Srpski језик
فراخوان محصول سری تخته توسعه Thinkcore Rockchip RV1126 در نمایندگی
2022-11-11
با توسعه سریع صنعت اینترنت اشیا، تعداد دستگاه های متصل اینترنت اشیا در سطح جهان از 5.2 میلیارد در سال 2015 به 12.6 میلیارد در سال 2020 افزایش یافت و انتظار می رود در سال 2025 به 24.6 میلیارد برسد. در این مورد، تقاضا برای شخصی سازی شده و سبک وزن است. سناریوهای تقسیم بندی بیشتر و قوی تر می شوند و کاربرد هوشمند AIoT به تدریج غنی می شود. هرچه سناریوی نرم افزار سبک تر باشد، نیاز به بهبود کارایی پلت فرم، تراشه و دستگاه های سخت افزاری و کاهش دشواری و هزینه استقرار بیشتر است. عملیات هوشمند را می توان بدون تکیه بر تعامل با ابر به دست آورد.
برنامه های محاسباتی لبه سبک وزن، کاهش هزینه های استقرار تا 30٪
مجهز به تراشه بینایی، عملکرد بالا و مصرف انرژی کم
محصولات سری برد توسعه TC-RV1126 مجهز به Rockchip RV1126 هستند که از معماری هسته 32 بیتی چهار هسته ای Arm Cortex A7 استفاده می کند و NEON و FPU را ادغام می کند. پشتیبانی از TensorFlow/MXNet/PyTorch/Caffe و یک سری چارچوب یادگیری عمیق، منابع غنی و توسعه آسان، تقاضای توسعه‌های مختلف شیر محاصره را برآورده می‌کند. این پلتفرم دارای فناوری‌های اصلی در شبکه‌های عصبی، پردازش تصویر، هوش مصنوعی، یادگیری عمیق، بهینه‌سازی قدرت سیستم SOC، تشخیص چهره، جذب تصویر، تنظیم تطبیقی فناوری تصویر و سایر زمینه‌ها است.
به طور کلی اعتقاد بر این است که هر چه قدرت محاسبه NPU بالاتر باشد، بهتر است. آیا موضوع واقعا این است؟ در واقع، قدرت محاسباتی بالا مصرف انرژی و هزینه های ساخت و ساز بالاتر را نیز به همراه خواهد داشت. در سناریوهای کاربردی سبک، استفاده زیاد از توان محاسباتی اما استفاده کم از توان محاسباتی اتلاف منابع است. محصولات سری برد توسعه TC-RV1126 دارای یک NPU داخلی مستقل هستند که قدرت محاسباتی 2TOPS را فراهم می کند و از عملیات ترکیبی INT8/INT16 پشتیبانی می کند. در سناریوهای سبک وزن به طور کامل با برنامه مطابقت دارد. علاوه بر این، محاسبات هوش مصنوعی را به طور مستقل انجام می دهد که کارآمدتر، دقیق تر و مثبت کاذب کمتری است.
محصولات سری تخته توسعه TC-RV1126 از کدک ویدیویی H.265/H.264/MJPEG پشتیبانی می کند، از تنظیمات کیفیت ویدیوی چند سطحی و پیچیدگی کدنویسی پشتیبانی می کند، از 4K@30fps 1080p@30fps پشتیبانی می کند، حداکثر پشتیبانی از کدک ویدیویی 4K@s0f. همان رمزگذاری و راه حل؛ می تواند دستگاه های نمایشگر اصلی را با پیکربندی های مختلف تطبیق دهد و توانایی کدک عالی را با محاسبات لبه ترکیب کند. در حالی که کیفیت تصویر بهبود می‌یابد، تاخیر پخش ویدیو کمتر است، عملکرد بلادرنگ قوی‌تر است و اشغال پهنای باند و فضای ذخیره‌سازی کاهش می‌یابد که هزینه برنامه را بیشتر کاهش می‌دهد.
محصولات سری برد توسعه TC-RV1126 مجهز به اترنت، خروجی HDMI، RS232، RS485، Line in/out، Wi-Fi، TF و سایر رابط‌ها هستند تا نیازهای سناریوهای مختلف را برآورده کنند. با مصرف برق کم و طراحی مدار مجتمع بالا، می تواند به آرامی و با ثبات در محیط کار در فضای باز -40~70 کار کند و سازگاری قوی با محیط های خشن دارد.
محصولات سری تخته توسعه TC-RV1126 به طور کامل در زمینه امنیت هوشمند، تشخیص چهره، قفل درب استفاده شده است. محصولات سری توسعه TC-RV1126 ساخته شده در انواع الگوریتم های صحنه سایت، نظارت بر زمان واقعی و شناسایی یک سری تخلفات سایت و زنگ هشدار.
برنامه های محاسباتی لبه سبک وزن، کاهش هزینه های استقرار تا 30٪
مجهز به تراشه بینایی، عملکرد بالا و مصرف انرژی کم
محصولات سری برد توسعه TC-RV1126 مجهز به Rockchip RV1126 هستند که از معماری هسته 32 بیتی چهار هسته ای Arm Cortex A7 استفاده می کند و NEON و FPU را ادغام می کند. پشتیبانی از TensorFlow/MXNet/PyTorch/Caffe و یک سری چارچوب یادگیری عمیق، منابع غنی و توسعه آسان، تقاضای توسعه‌های مختلف شیر محاصره را برآورده می‌کند. این پلتفرم دارای فناوری‌های اصلی در شبکه‌های عصبی، پردازش تصویر، هوش مصنوعی، یادگیری عمیق، بهینه‌سازی قدرت سیستم SOC، تشخیص چهره، جذب تصویر، تنظیم تطبیقی فناوری تصویر و سایر زمینه‌ها است.
به طور کلی اعتقاد بر این است که هر چه قدرت محاسبه NPU بالاتر باشد، بهتر است. آیا موضوع واقعا این است؟ در واقع، قدرت محاسباتی بالا مصرف انرژی و هزینه های ساخت و ساز بالاتر را نیز به همراه خواهد داشت. در سناریوهای کاربردی سبک، استفاده زیاد از توان محاسباتی اما استفاده کم از توان محاسباتی اتلاف منابع است. محصولات سری برد توسعه TC-RV1126 دارای یک NPU داخلی مستقل هستند که قدرت محاسباتی 2TOPS را فراهم می کند و از عملیات ترکیبی INT8/INT16 پشتیبانی می کند. در سناریوهای سبک وزن به طور کامل با برنامه مطابقت دارد. علاوه بر این، محاسبات هوش مصنوعی را به طور مستقل انجام می دهد که کارآمدتر، دقیق تر و مثبت کاذب کمتری است.
محصولات سری تخته توسعه TC-RV1126 از کدک ویدیویی H.265/H.264/MJPEG پشتیبانی می کند، از تنظیمات کیفیت ویدیوی چند سطحی و پیچیدگی کدنویسی پشتیبانی می کند، از 4K@30fps 1080p@30fps پشتیبانی می کند، حداکثر پشتیبانی از کدک ویدیویی 4K@s0f. همان رمزگذاری و راه حل؛ می تواند دستگاه های نمایشگر اصلی را با پیکربندی های مختلف تطبیق دهد و توانایی کدک عالی را با محاسبات لبه ترکیب کند. در حالی که کیفیت تصویر بهبود می‌یابد، تاخیر پخش ویدیو کمتر است، عملکرد بلادرنگ قوی‌تر است و اشغال پهنای باند و فضای ذخیره‌سازی کاهش می‌یابد که هزینه برنامه را بیشتر کاهش می‌دهد.
محصولات سری برد توسعه TC-RV1126 مجهز به اترنت، خروجی HDMI، RS232، RS485، Line in/out، Wi-Fi، TF و سایر رابط‌ها هستند تا نیازهای سناریوهای مختلف را برآورده کنند. با مصرف برق کم و طراحی مدار مجتمع بالا، می تواند به آرامی و با ثبات در محیط کار در فضای باز -40~70 کار کند و سازگاری قوی با محیط های خشن دارد.
محصولات سری تخته توسعه TC-RV1126 به طور کامل در زمینه امنیت هوشمند، تشخیص چهره، قفل درب استفاده شده است. محصولات سری توسعه TC-RV1126 ساخته شده در انواع الگوریتم های صحنه سایت، نظارت بر زمان واقعی و شناسایی یک سری تخلفات سایت و زنگ هشدار.
محصولات محاسبات لبه فناوری Thinkcore به تولید و مدیریت هوشمند صنعت ساخت و ساز با انواع داده های غنی، تجزیه و تحلیل هوشمند تقسیم بندی عمودی و رابط API باز استاندارد کمک می کند. در آینده، Thinkcore Technology به تلاش‌های خود در زمینه محاسبات لبه‌ای ادامه خواهد داد و راه‌حل‌های محاسبات لبه‌ای یکپارچه نرم‌افزاری و سخت‌افزاری بیشتری را معرفی خواهد کرد که به طور گسترده در همه جنبه‌های زندگی استفاده می‌شود.
