不久以前，從算法到現場機器學習（ ML ）模型仍然需要經歷漫長而復雜的道路。對于一些企業而言，如果能夠接觸到具有神經網絡部署經驗的 ML 專家，則可能會有一些選擇，但其開發工作卻非常耗時。賽靈思依托 Vitis 統一軟件平臺以及近期推出的 KRIA SOM （System-on-Module），縮短了這一過程。DornerWorks 是 KRIA SOM 生態系統合作伙伴，正幫助各個機構在這個具有變革意義的平臺上部署其 ML 算法和 IP。

是伙伴，更是專業開發者

DornerWorks 不僅是賽靈思卓越合作伙伴（ Xilinx Premier Partner），也是與賽靈思合作推出全新 KRIA SOM 產品組合的設計服務合作伙伴。從事 ML/AI 項目、嵌入式器件和系統架構的開發者，能夠借助 DornerWorks 算法集成專業知識，運用 KRIA SOM 創新的硬件與軟件特性，加快其產品的開發速度。

DornerWorks 工程師 Shawn Barber 就開發了一款 KRIA SOM 機器學習演示，通過部署一種目標檢測算法來定位和測量人眼間距。KIRA 的其他應用還涵蓋工業檢視、搜索與救援、交通安全監控和自動系統。

DornerWorks 開發的機器學習演示在賽靈思 KRIA SOM 上運行，能夠識別人眼，圍繞人眼繪制邊框并測量人眼間距。

用設計提高性能上限

KRIA K26 SOM 構建在 Zynq? UltraScale+? MPSoC 架構上，該架構內置一個四核 Arm? Cortex? A53 處理器、超過 25 萬個邏輯單元，以及一個 H.264/265 視頻編解碼器。此外，SOM 還擁有 4GB DDR4 內存和 245 個 IO，因而能夠適配幾乎任何傳感器或接口。這種靈活性是 KRIA SOM 最具吸引力的特性之一。

Barber 表示，在 FPGA 上運行 AI 檢測引擎和其他組件，可以便于開發者按需適配計算單元。“如果您的條件相當有限，您可以縮小 FPGA 占板面積；而如果您希望獲得較高性能，則可以擴大 FPGA 占板面積。此外，它還為您提供了額外的靈活性，可以將它移植到攝像頭等其他外設上。”

與基于 GPU 的 SOM 相比，KRIA K26 SOM 的 AI 算力達 1.4TOPS，可以助力開發者開發出性能在 3 倍以上、時延與功耗卻更低的視覺 AI 應用，這對安全攝像頭、城市攝像頭、交通攝像頭、零售分析、機器視覺和視覺引導機器人等智能視覺應用而言至關重要?！　?/p>