基于算能的国产AI边缘计算盒子8核心A53丨17.6Tops算力

2023-12-26 11:30

本文主要是介绍基于算能的国产AI边缘计算盒子8核心A53丨17.6Tops算力,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

边缘计算盒子

8核心A53丨17.6Tops算力

● 可提供17.6TOPS(INT8)的峰值计算能力、2.2TFLOPS(FP32)的高精度算力,单芯片最高支持32路H.264 & H.265的实时解码能力。

● 适配Caffe/TensorFlow/MxNet/PyTorch/ ONNX/PaddlePaddle等主流深度学习框架,是行业内少数能同时兼容国内外深度学习框架的边缘计算设备之一。

● 支持 Docker 容器化部署,支持 Python开发环境。

● 深度学习开发工具包,包括底层库(ffmpeg 、opencv等)、推理部署工具、等一系列软件工具,涵盖了神经网络推理阶段所需的模型优化、高效运行时支持等能力。

●提供开源的pipeline开发工具案例,集成拉流、解码、推理分析、推流等全数据流程模块。

● 支持1000M以太网对外提供高速网络连接,匹配超高运算能力。

● 可扩展LTE无线传输方式,为边缘化业务部署提供便利。

推出的超强运算性能、高度集成的智能工作站,内置第三代TPU,提供17.6TOPS(INT8)的峰值计算能力,CPU处理器为8核 ARM Cotex-A53,主频高达2.3GHz。IVP03C智能工作站支持宽温度环境工作,易于维护管理,可以灵活部署于OCR识别、目标识别、内容审核等诸多AI场景,在智慧工厂、智慧校园、智慧城管、智慧园区等领域都有着广泛的应用。

项目

类型

型号参数

说明

处理器

CPU

8 核 ARM CortexA53@2.3GHz

INT8

17.6Tops

FP32

2.2 TFLOPS

内存

LPDDR4

默认配置 12 Gbyte

闪存

eMMC

默认配置 32 Gbyte

 

编解码性能

视频

32 路 1080P @ 30fps

视频编码

2路1080P @ 25fps

图片解码

1080P 480 张/秒

以太网口

( Ethernet)

x2

支持接入10/100/1000M网络

RS-232

x1

可接入烟雾探测器、红外探测器、门禁等,报警输入设备,或警铃等报警输出设备(注:RS-232 线缆长度建议不超过 10m)

RS-485

x1

可接入烟雾探测器、红外探测器、门禁等,报警输入设备,或警铃等报警输出设备

HDMI_IN

x1

1080P@60fps HDMI 输入,支持音视频输入

HDMI_OUT

x1

1080P@60fps HDMI 输出,支持音视频输出

LINE_IN

x1

一个双声道LINE_IN音频输入

LINE_OUT

x1

一个双声道LINE_OUT音频输出

继电器

x1

可用于电流负载,电压36V以下

RST

x1

普通GPIO按键,可用于做应用软件复位

USB 3.0

x2

可接入 U 盘、USB 鼠标、USB 键盘等设备

DEBUG

x1

系统调试口(Type-C)

MicroSD卡槽

x1

可接入MicroSD卡扩展存储空间,建议class10及以上规格

GPIO

x2

可用于输出控制信号到外扩设备

供电接口

x1

支持DC 12V

可扩展

功能

mSATA

x1

支持扩展SSD 固态硬盘,可增大存储空间

SATA

x1

扩展固态硬盘(与mSATA片选)

WIFI+BT

x1

可扩展 WIFI+BT功能, WIFI支持 IEEE 802.11 a/b/g/n/ac/ax 标准协议,需搭配外接天线

M.2

x1

可扩展4G模组,支持将边缘端数据以无线形式发送

SIM卡槽

x1

配合4G无线通信模块使用

Linux

文件系统

ext4

Ubuntu 20.04 LTS

媒体处理

BMCV、OPENCV、FFMPEG、BMLIB

AI开发

TensorFlow、Caffe、Pytorch、MxNet 和 Paddle Lite等量化转离线工具

网络设置

命令执行

支持静态、DHCP网络参数设置

运行状态

CPU、内存、磁盘

设备信息

设备序列号、软件版本号

日志管理

运行状态、运行报错等

时间

NTP、手动校时

升级管理

烧录升级

支持TF卡升级,支持TFTP升级

应用领域

广泛应用于智慧工厂、智慧校园、智慧城管、智慧园区等各个领域。

这篇关于基于算能的国产AI边缘计算盒子8核心A53丨17.6Tops算力的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!


原文地址:https://blog.csdn.net/YEYUANGEN/article/details/134754288
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.chinasem.cn/article/539232

相关文章

基于Flask框架添加多个AI模型的API并进行交互

《基于Flask框架添加多个AI模型的API并进行交互》:本文主要介绍如何基于Flask框架开发AI模型API管理系统,允许用户添加、删除不同AI模型的API密钥,感兴趣的可以了解下... 目录1. 概述2. 后端代码说明2.1 依赖库导入2.2 应用初始化2.3 API 存储字典2.4 路由函数2.5 应

Spring AI ectorStore的使用流程

《SpringAIectorStore的使用流程》SpringAI中的VectorStore是一种用于存储和检索高维向量数据的数据库或存储解决方案,它在AI应用中发挥着至关重要的作用,本文给大家介... 目录一、VectorStore的基本概念二、VectorStore的核心接口三、VectorStore的

Linux find 命令完全指南及核心用法

《Linuxfind命令完全指南及核心用法》find是Linux系统最强大的文件搜索工具,支持嵌套遍历、条件筛选、执行动作,下面给大家介绍Linuxfind命令完全指南,感兴趣的朋友一起看看吧... 目录一、基础搜索模式1. 按文件名搜索(精确/模糊匹配)2. 排除指定目录/文件二、根据文件类型筛选三、时间

Spring AI集成DeepSeek三步搞定Java智能应用的详细过程

《SpringAI集成DeepSeek三步搞定Java智能应用的详细过程》本文介绍了如何使用SpringAI集成DeepSeek,一个国内顶尖的多模态大模型,SpringAI提供了一套统一的接口,简... 目录DeepSeek 介绍Spring AI 是什么?Spring AI 的主要功能包括1、环境准备2

Spring AI集成DeepSeek实现流式输出的操作方法

《SpringAI集成DeepSeek实现流式输出的操作方法》本文介绍了如何在SpringBoot中使用Sse(Server-SentEvents)技术实现流式输出,后端使用SpringMVC中的S... 目录一、后端代码二、前端代码三、运行项目小天有话说题外话参考资料前面一篇文章我们实现了《Spring

Spring AI与DeepSeek实战一之快速打造智能对话应用

《SpringAI与DeepSeek实战一之快速打造智能对话应用》本文详细介绍了如何通过SpringAI框架集成DeepSeek大模型,实现普通对话和流式对话功能,步骤包括申请API-KEY、项目搭... 目录一、概述二、申请DeepSeek的API-KEY三、项目搭建3.1. 开发环境要求3.2. mav

C#集成DeepSeek模型实现AI私有化的流程步骤(本地部署与API调用教程)

《C#集成DeepSeek模型实现AI私有化的流程步骤(本地部署与API调用教程)》本文主要介绍了C#集成DeepSeek模型实现AI私有化的方法,包括搭建基础环境,如安装Ollama和下载DeepS... 目录前言搭建基础环境1、安装 Ollama2、下载 DeepSeek R1 模型客户端 ChatBo

Spring AI集成DeepSeek的详细步骤

《SpringAI集成DeepSeek的详细步骤》DeepSeek作为一款卓越的国产AI模型,越来越多的公司考虑在自己的应用中集成,对于Java应用来说,我们可以借助SpringAI集成DeepSe... 目录DeepSeek 介绍Spring AI 是什么?1、环境准备2、构建项目2.1、pom依赖2.2

Python如何计算两个不同类型列表的相似度

《Python如何计算两个不同类型列表的相似度》在编程中,经常需要比较两个列表的相似度,尤其是当这两个列表包含不同类型的元素时,下面小编就来讲讲如何使用Python计算两个不同类型列表的相似度吧... 目录摘要引言数字类型相似度欧几里得距离曼哈顿距离字符串类型相似度Levenshtein距离Jaccard相

Deepseek R1模型本地化部署+API接口调用详细教程(释放AI生产力)

《DeepseekR1模型本地化部署+API接口调用详细教程(释放AI生产力)》本文介绍了本地部署DeepSeekR1模型和通过API调用将其集成到VSCode中的过程,作者详细步骤展示了如何下载和... 目录前言一、deepseek R1模型与chatGPT o1系列模型对比二、本地部署步骤1.安装oll