萊迪思面向邊緣AI應用推出sensAI 3.0解決方案

領(lǐng)先的低功耗可編程器件供應商 萊迪思半導體公司 近日宣布推出用于網(wǎng)絡(luò )邊緣設備端AI處理的完整解決方案集合的最新版本——Lattice sensAI? 3.0。該版本現支持CrossLink-NX?系列FPGA，可打造低功耗智能視覺(jué)應用。它還擁有定制化卷積神經(jīng)網(wǎng)絡(luò )（CNN）IP，這一靈活的加速器IP可簡(jiǎn)化常見(jiàn)CNN網(wǎng)絡(luò )的實(shí)現，經(jīng)優(yōu)化后可更加充分利用FPGA的并行處理能力。由于新支持了CrossLink-NX FPGA，Lattice sensAI將為監控/安防、機器人、汽車(chē)和計算領(lǐng)域的智能視覺(jué)應用帶來(lái)功耗和性能上的再次突破。

●   sensAI? 3.0 助力網(wǎng)絡(luò )邊緣AI應用性能提升一倍、功耗減半。

●   sensAI? 3.0 將面向監控/安防、機器人、汽車(chē)和計算領(lǐng)域的智能視覺(jué)應用。

為了解決數據安全、延遲和隱私等問(wèn)題，開(kāi)發(fā)人員希望將智能視覺(jué)和其他AI應用所依賴(lài)的AI處理任務(wù)從云端轉移到網(wǎng)絡(luò )邊緣。大多數網(wǎng)絡(luò )邊緣設備都依靠電池供電，或者對功耗非常敏感，因此開(kāi)發(fā)人員需要的硬件和軟件解決方案不僅需要提供AI應用所需的處理能力，還要盡量降低功耗。通過(guò)增強版sensAI，萊迪思將不斷為客戶(hù)提供更多功耗和性能的優(yōu)化方案。對于智能視覺(jué)等AI性能要求較高的網(wǎng)絡(luò )邊緣應用而言，運行sensAI軟件的CrossLink-NX FPGA比之前版本降低一半的功耗，同時(shí)實(shí)現性能翻倍。

萊迪思半導體市場(chǎng)營(yíng)銷(xiāo)經(jīng)理Hussein Osman表示：“最新版本的萊迪思sensAI針對全新的低功耗CrossLink-NX FPGA系列進(jìn)行了優(yōu)化，實(shí)現了高性能與低功耗的完美融合。萊迪思將繼續鞏固目前所取得的成績(jì)，持續推出針對主流AI應用的全新易用的應用演示和參考設計，不斷提升sensAI的功能和易用性?！?/p>

sensAI解決方案集合的新增和更新的特性如下：

●   全新CNN引擎IP和編譯器現支持CrossLink-NX——sensAI支持在CrossLink-NX FPGA上運行定制化的CNN加速器IP，充分利用了FPGA的并行處理架構。更新了神經(jīng)網(wǎng)絡(luò )編譯器軟件工具，開(kāi)發(fā)人員可輕松編譯經(jīng)過(guò)訓練的神經(jīng)網(wǎng)絡(luò )模型并將其下載到CrossLink-NX FPGA。

●   基于CrossLink-NX的對象計數演示——在CrossLink-NX FPGA上運行的基于VGG的對象計數演示擁有10幀/秒的性能，功耗僅為200 mW。對象計數是監控/安防、工業(yè)、汽車(chē)和機器人市場(chǎng)上常用的智能視覺(jué)應用。

●   CrossLink-NX優(yōu)化的FPGA架構——在CrossLink-NX FPGA上運行解決方案時(shí)，sensAI可提供多達2.5 Mb的分布式內存和RAM塊以及額外的DSP資源，在芯片上高效實(shí)現AI運算，減少對基于云端分析的需求。

●   功耗最多降低75％——CrossLink-NX FPGA采用28 nm FD-SOI工藝制造，與同類(lèi)FPGA競品相比，功耗可降低75％。

●   高性能I/O——智能視覺(jué)系統中使用的許多組件（圖像傳感器、應用處理器等）都需要支持MIPI I/O標準。sensAI的目標應用之一是智能視覺(jué)，而CrossLink-NX器件是目前僅有的能提供高達2.5 Gbps速率MIPI I/O的低功耗FPGA。對于需要支持MIPI的sensAI應用而言，CrossLink-NX FPGA無(wú)疑是理想的硬件平臺。CrossLink-NX FPGA的I/O提供瞬時(shí)啟動(dòng)的性能，能在不到3 ms的時(shí)間內完成自我配置，而整個(gè)器件的配置也只需8 ms。

●   支持更多神經(jīng)網(wǎng)絡(luò )架構——之前版本的sensAI支持VGG和MobileNet v1神經(jīng)網(wǎng)絡(luò )模型。最新版本則在萊迪思ECP5TM系列通用FPGA上新增支持MobileNet v2、SSD和ResNet模型。