四川深度学习AI智能算法分析

慧视光电开发的Viztra-HE030图像处理板采用了工业级芯片RK3588，内部植入公司自主研发的智能图像算法，架构更先进，核心数8核（4大4小），算力6.0TOPS，支持丰富的输出接口，同时支持H264、H265两类视频编码。可实时对目标进行识别或者人为的的锁定，同时可以根据输出目标的靶量信息，对目标进行实时跟踪。这是达成目的的硬件条件。在算法领域，则需要一些特殊的算法。无人机执行任务时飞在高空，地面的物体就会显得较小，小目标通常指图像中像素面积小于32*32的物体，一般的AI算法难以实现精细锁定跟踪。人工智能和机器学习，可用于分析建筑工地传感器和摄像头的实时数据。四川深度学习AI智能算法分析

随着大模型时代到来，模型参数呈指数级增长，达到万亿级别。大模型逐渐从支持单一模态和任务发展为支持多种模态下的多种任务。在这种趋势下，大模型训练所需算力巨大，远超单个芯片的处理速度，而多卡分布式训练通信损耗巨大。如何提高硬件资源利用率，成为影响国产大模型技术发展和实用性的重要前提。成都慧视推出的AI训练平台SpeedDP就可以通过大量的数据注入，让AI进行不断的模型训练，不断地深度学习能够让AI更加聪明，为目标检测、目标识别提供帮助。陕西智慧安防AI智能解决方案SpeedDP是以数据为中心的一站式AI训练平台。

图像识别方法可以分为两大类，模型方法和搜索方法。模型方法是在业界研究和使用比较多的方法。模型的方法是试图通过一些已知“标签”的图像，通过机器学习的各种方法来学习一个描述这些标签的“模型”，从而，对于一个新的未知图像，经过这个模型判断出其应该具有的标签。基于搜索的方法是在大数据时代才出现的方法，其基础是将已知标签的图像数据建成一个可以进行高效率检索的数据库，称为图像索引。通常需要大量的图像来建索引，但图像的标签可以有少量的噪声。那么，对一副待测图像，我们到这个数据库中去找与其相同或者相似的若干图像，然后综合这些图像的标签来预测待测图像的标签。

高空坠物已经成为城市安全的一大威胁，一方面来自于人，而另一方面则来自于建筑物。以前的楼房大都是马赛克墙面，然后在外面再涂一层亚士漆作为保护，随着楼房建成年份变久，楼房的外立面历经风吹雨晒，就会出现、起壳、空鼓、渗水等迹象。传统的检查模式，需要“蜘蛛人”进行排查，这种方法费时费力，准确度也难以控制。无人机和吊舱的出现则有效解决了这一难点。无人机搭载吊舱，对大楼进行细致的扫描，就能够将建筑外墙的情况尽收眼底，就像给大楼拍CT一样。这种吊舱需要具备红外热成像的功能，通过太阳照射墙面的温度，捕捉肉眼不可见的隐患，如果外墙存在缺陷，则会呈现“热斑”和“冷斑”两种形态。搭载吊舱的无人机一二十分钟就能检查完一面墙，效率是人工远远无法企及的。人工智能是一个宽泛的概念，它赋予机器模仿人类行为的能力。

要解决小目标难以追踪的这个难题，慧视光电的算法工程师给出了小目标识别算法的方案，通过加强目标特征、数据增广、放大输入图像、使用高分辨率的特征、设计合适的标签分配方法，以让小目标有更多的正样本、利用小目标所处的环境信息或者其他容易检测的物体之间的关系来辅助小目标的检测。此外，利用自研的深度学习算法开发平台，通过不断的深度学习，能够让AI更加精细的识别目标。这个方法在瑞芯微RK3588、RV1126、RK3399pro等系列图像跟踪板上得到了较好地验证。因此，将这个算法用在无人机高空识别领域，完全能够弥补传统算法的不足，达到更加稳定锁定跟踪的目的。通过海量的数据模型训练，SpeedDP能够更加聪明。四川深度学习AI智能算法分析平台

AI热潮下，越先使用AI图像标注越能获益。四川深度学习AI智能算法分析

IDEA研究院团队推出了GroundingDINO  1.5，它能够实现端侧实时识别。在图像和文本的语义理解上表现出色，能够快速、准确地根据语言提示检测和识别图像中的目标对象。作为当前性能比较好的开集检测模型，GroundingDINO  1.5Pro可以帮助构建海量的具有物体级别语义信息的多模态数据，从而有效地助力多模态大模型的训练。它可以将长文本描述中的短语与图像中的具体对象或场景精确匹配，以增强AI对视觉内容和文本之间关系的理解。目前，成都慧视利用AI图像处理板和YOLO算法来实现对物体的实时监测，其中，开发的Viztra-HE030图像处理板采用了瑞芯微全新一代高性能芯片RK3588，拥有四大四小八核处理器，算力水平能够达到6.0TOPS，在我司定制多种视频接口后，可实时对目标进行识别或者人为的的锁定，同时可以根据输出目标的靶量信息，对目标进行实时跟踪。四川深度学习AI智能算法分析