賽靈思的研究結(jié)果表明，K26 SOM 提供了比英偉達 Jetson Nano 高出大約 3 倍的性能。此外，它的單位功耗性能較之英偉達 Jetson TX2 提升了 2 倍。對于 SSD MobileNet-v1 這樣的網(wǎng)絡(luò)，K26 SOM 的低時延、高性能深度學習處理單元 （DPU）提供了比 Nano 高出 4 倍甚至更高的性能。

01

與未來兼容的 Kria K26 SOM

智能應(yīng)用除了要求亞微秒級的時延，還需要具備私密性、低功耗、安全性和低成本。以 Zynq MPSoC 架構(gòu)為基礎(chǔ)，Kria K26 SOM 提供了業(yè)界一流的單位功耗性能和更低的總體擁有成本，使之成為邊緣設(shè)備的理想選擇。

原始計算能力

就在邊緣設(shè)備上部署解決方案而言，硬件必須擁有充足的算力，才能處理先進 ML 算法工作負載。我們可以使用各種深度學習處理單元 （DPU） 配置對 Kria K26 SOM 進行配置，還能根據(jù)性能要求，將最適用的配置集成到設(shè)計內(nèi)。

支持更低精度的數(shù)據(jù)類型

深度學習算法正在以極快的速度演進發(fā)展，各種更低精度的數(shù)據(jù)類型和定制數(shù)據(jù)正在進入使用。傳統(tǒng)的 GPU 廠商已無法滿足當前的市場需求，而 Kria K26 SOM 能夠支持全系列數(shù)據(jù)類型精度，如 PF32、INT8、二進制和其他定制數(shù)據(jù)類型。

運算的能耗成本

低時延與低功耗

為了改善軟件可編程能力，GPU 架構(gòu)需要頻繁訪問外部 DDR。這種做法非常低效，有時候會對高帶寬設(shè)計要求構(gòu)成瓶頸。相反，Zynq MPSoC 架構(gòu)具有高能效，它的可重配置能

力便于開發(fā)者設(shè)計的應(yīng)用減少或不必訪問外部存儲器。這不僅有助于減少應(yīng)用的總功耗，也通過降低端到端時延改善了響應(yīng)能力。

典型 GPU 與 Zynq MPSoC 架構(gòu)

靈活性

與數(shù)據(jù)流固定的 GPU 不同，賽靈思硬件提供了靈活性用來專門地重新配置數(shù)據(jù)路徑，從而實現(xiàn)最大吞吐量并降低時延。此外，可編程的數(shù)據(jù)路徑也降低了對批處理的需求，而批處理是 GPU 的一個重大不足，需要在降低時延或提高吞吐量之間做出權(quán)衡取舍。Kria SOM 靈活的架構(gòu)已在稀疏網(wǎng)絡(luò)中展示出巨大潛力。

02

與英偉達 Jetson 性能比較

深度學習模型性能比較

根據(jù)測試數(shù)據(jù)，所有模型在 K26 SOM 上的性能數(shù)值均優(yōu)于英偉達 Jetson Nano。而且對于 SSD Mobilenet-V1 等部分模型，吞吐量則為 Jetson Nano 的四倍以上，為 Jetson Tx2 的兩倍左右，從下表可以很容易地看到顯著的吞吐量提升。

FPS（時延優(yōu)化）

功耗測量

邊緣設(shè)備提供最佳性能這點非常重要，但同時必須降低能耗。賽靈思測量了英偉達和賽靈思 SOM 模塊在執(zhí)行具體模型時發(fā)生的峰值功率，結(jié)果很明顯，K26 SOM 優(yōu)于 Jetson Nano

3.5 倍，優(yōu)于 Jetson TX2 2.4 倍。

FPS/瓦

實際應(yīng)用性能比較

為了分析實際用例，我們選擇了一種準確檢測和識別車輛牌照的基于機器學習的應(yīng)用。將 Uncanny Vision 行業(yè)領(lǐng)先的 ANPR 算法部署在 Kria SOM 上后，與英偉達用 Deepstream-SDK 完成的“車牌識別”的公開數(shù)據(jù)進行比較，結(jié)果說明，Uncanny Vision 的 ANPR 流水線在針對 KV260 入門套件進行優(yōu)化后，實現(xiàn)了超過 33fps 的吞吐量，顯著優(yōu)于英偉達基準測試中 Jetson Nano 的 8pfs 和 Jetson Tx2 的 23fps。這種前所未有的性能水平為 ANPR 集成商和 OEM 廠商提供了優(yōu)于競爭對手的開發(fā)靈活性。

實際應(yīng)用測試顯示，K26 SOM 不僅在標準性能比較中表現(xiàn)極其優(yōu)異，并且在為開發(fā)者提供加速整體 AI 和視覺流水線所需的原始性能時，效率也更高。通過對比，在標準的基準測試領(lǐng)域之外，競爭解決方案傾向于提供較低效率水平，而且功耗較高。

文章出處：【微信公眾號：FPGA開發(fā)圈】

責任編輯：gt