導讀：本期為 AI 嵌入式簡報：

今日推送干貨多多，為關注嵌入式AI的你量身定制~

1. 澎峰科技CEO張先軼詳解利用AI開發(fā)板實現(xiàn)面向無人機的嵌入式視覺應用開發(fā)

本文為澎峰科技CEO張先軼在智東西主辦的“無人機視覺創(chuàng)新論壇”的演講內容。張先軼老師的演講主題為《利用AI開發(fā)板實現(xiàn)面向無人機的嵌入式視覺應用開發(fā)》。

在本次演講中，張先軼老師首先介紹了AI開發(fā)板硬件選型，之后對嵌入式AI軟件性能和相關算法的優(yōu)化展開詳細分析。

本文為此次演講的圖文整理。

演講的主題為《利用AI開發(fā)板實現(xiàn)面向無人機的嵌入式視覺應用開發(fā)》，內容主要分為以下3個部分：

1、AI開發(fā)板硬件選型

2、嵌入式AI軟件性能優(yōu)化

3、嵌入式AI算法模型

2. TensorFlow為新舊Mac特供新版本，GPU可用于訓練，速度最高提升7倍

蘋果「一呼百應」的號召力在機器學習領域似乎也不例外。新版 Mac 推出還不到兩周，谷歌就把專為 Mac 優(yōu)化的 TensorFlow 版本做好了，訓練速度最高提升到原來的 7 倍。
對于開發(fā)者、工程師、科研工作者來說，Mac 一直是非常受歡迎的平臺，也有人用 Mac 訓練神經網絡，但訓練速度一直是一個令人頭疼的問題。

上周，蘋果發(fā)布了搭載 Arm 架構 M1 芯片的三款新 Mac，于是就有人想問：用它們訓練神經網絡能快一點嗎？

今天，主流機器學習框架 TensorFlow 發(fā)文表示：我們專門做了一版為 Mac 用戶優(yōu)化的 TensorFlow 2.4 框架，M1 版 Mac 和英特爾版 Mac 都能用。這一舉動有望大幅降低模型訓練和部署的門檻。

4. 420 FPS！LSTR：基于Transformer的車道線檢測網絡

論文：https://arxiv.org/abs/2011.04233

代碼即將開源！

https://github.com/liuruijin17/LSTR

性能優(yōu)于PolyLaneNet等網絡，速度可高達420 FPS！

車道線檢測是將車道識別為近似曲線的過程，被廣泛用于自動駕駛汽車的車道線偏離警告和自適應巡航控制。流行的分兩步解決問題的pipeline：特征提取和后處理。雖然有用，但效率低下，在學習全局上下文和通道的長而細的結構方面存在缺陷。

本文提出了一種端到端方法，該方法可以直接輸出車道形狀模型的參數，使用通過transformer構建的網絡來學習更豐富的結構和上下文。車道形狀模型是基于道路結構和攝像頭姿勢制定的，可為網絡輸出的參數提供物理解釋。transformer使用自我注意機制對非局部交互進行建模，以捕獲細長的結構和全局上下文。

該方法已在TuSimple基準測試中得到驗證，并以最輕巧的模型尺寸和最快的速度顯示了最新的準確性。

此外，我們的方法對具有挑戰(zhàn)性的自收集車道線檢測數據集顯示出出色的適應性，顯示了其在實際應用中的強大部署潛力。

5. YOLOv4官方改進版來了！55.8% AP！速度最高達1774 FPS，Scaled-YOLOv4正式開源！

論文：

https://arxiv.org/2011.08036

GitHub ：https://github.com/WongKinYiu/ScaledYOLOv4

本文是YOLOv4的原班人馬（包含CSPNet一作與YOLOv4一作AB大神）在YOLO系列的繼續(xù)擴展，從影響模型擴展的幾個不同因素出發(fā)，提出了兩種分別適合于低端GPU和高端GPU的YOLO。

該文提出一種“網路擴展(Network Scaling)”方法，它不僅針對深度、寬度、分辨率進行調整，同時調整網絡結果，作者將這種方法稱之為Scaled-YOLOv4。

由此得到的YOLOv4-Large取得了SOTA結果：在MS-COCO數據集上取得了55.4%AP(73.3% AP50)，推理速度為15fps@Tesla V100；在添加TTA后，該模型達到了55.8%AP(73.2%AP50)。截止目前，在所有公開論文中，YOLOv-Large在COCO數據集上取得最佳指標。而由此得到的YOLOv4-tiny取得了22.0%AP(42.0%AP50)，推理速度為443fps@TRX 2080Ti；經由TensorRT加速以及FP16推理，batchsize=4時其推理速度可達1774fps。

該文的主要貢獻包含以下幾點：

設計了一種強有力的“網絡擴展”方法用于提升小模型的性能，可以同時平衡計算復雜度與內存占用；

設計了一種簡單而有效的策略用于擴展大目標檢測器；

分析了模型擴展因子之間的相關性并基于最優(yōu)劃分進行模型擴展；

通過實驗證實：FPN structure is inherently a once-for-all structure

基于前述分析設計了兩種高效模型：YOLOv4-tiny與YOLOv4-Large。

6. 人像摳圖已經滿足不了研究者了，這個研究專門給動物摳圖！

在這個圖像和視頻逐漸成為主流媒介的時代，大家早已對「摳圖」習以為常，說不定還看過幾部通過「摳圖」拍攝的電視劇呢。然而，相比于人像摳圖，長相各異、渾身毛茸茸的動物似乎難度更大。

那么，是否有專用于動物的摳圖技術呢？IEEE 會士 Jizhizi Li、陶大程等人就開發(fā)了一個專門處理動物摳圖的端到端摳圖技術。

動物的外觀和毛皮特征給現(xiàn)有的方法帶來了挑戰(zhàn)，這些方法通常要求額外的用戶輸入（如 trimap）。

為了解決這些問題，陶大程等人研究了語義和摳圖細節(jié)，將任務分解為兩個并行的子任務：高級語義分割和低級細節(jié)摳圖。具體而言，該研究提出了新型方法——Glance and Focus Matting network (GFM)，使用共享編碼器和兩個單獨的解碼器以協(xié)作的方式學習兩項子任務，完成端到端動物圖像摳圖。

7. 英特爾發(fā)布首款用于5G、人工智能、云端與邊緣的結構化ASIC

2020年11月18日，在英特爾FPGA技術大會上，英特爾發(fā)布了全新可定制解決方案英特爾 eASIC N5X，幫助加速5G、人工智能、云端與邊緣工作負載的應用性能。該可定制解決方案搭載了英特爾 FPGA兼容的硬件處理器系統(tǒng)，是首個結構化eASIC產品系列。英特爾 eASIC N5X通過FPGA中的嵌入式硬件處理器幫助客戶將定制邏輯與設計遷移到結構化ASIC中，帶來了更低的單位成本，更快的性能和更低的功耗等好處。

英特爾 eASIC N5X器件作為具有創(chuàng)新性的新產品，與FPGA相比最高可降低50%的核心能耗和成本，與ASIC相比則提升了面市速度，降低了非重復性工程成本。用戶可以創(chuàng)建功耗優(yōu)化、高性能、高度差異化的解決方案。

8. M1808 AI 核心板搭載5G模塊，助力5G布局工業(yè)領域

關于5G 的討論，雖然目前更多的是聚焦于智能手機，但事實上，在5G的大應用時代，智能手機只是其中很小的一部分，更多的應用會聚焦于工業(yè)互聯(lián)網、物聯(lián)網、車聯(lián)網等，并悄無聲息地滲透到人們的生活當中。

在2020年初，ZLG致遠電子首款人工智能AI核心板M1808正式發(fā)布。該款核心板采用高端雙核架構，集成神經網絡處理器NPU，內置專業(yè)AI算法，為用戶提供“硬件+軟件+算法”系統(tǒng)化解決方案。M1808還有豐富的外設接口，便于應用擴展。視頻支持MIPI/CIF/BT1120輸入，支持MIPI/RGB顯示輸出；具有PWM/I2C/SPI/UART等一系列傳感器輸入輸出接口；具有USB3.0/USB2.0/PCIE等高速設備接口，因此ZLG M1808 AI核心板同時支持有方的N510M 5G模塊驅動。

M1808AI核心板搭配5G上網模塊Neoway N510M，產品具有出色的射頻性能，支持 5G、4G、3G，頻段覆蓋廣，支持SA與NSA組網方式，支持Sub-6GHz，覆蓋全面。集成各種網絡協(xié)議并提供行業(yè)標準接口，最大限度滿足eMBB場景下的超高速數據傳輸應用，是電力物聯(lián)網、安防監(jiān)控、智慧能源、工業(yè)控制、智慧交通等領域的較好的選擇。

RT-Thread

讓物聯(lián)網終端的開發(fā)變得簡單、快速，芯片的價值得到最大化發(fā)揮。Apache2.0協(xié)議，可免費在商業(yè)產品中使用，不需要公布源碼，無潛在商業(yè)風險。

原文標題：【嵌入式AI周報】 M1808 AI 核心板搭載5G模、嵌入式視覺應用開發(fā)詳解！

文章出處：【微信公眾號：RTThread物聯(lián)網操作系統(tǒng)】歡迎添加關注！文章轉載請注明出處。