广泛生态,海纳百川 Tengine顺科技趋势而为,生态拓展是关键

OPEN AI LAB开放智能 2021-07-13 13:15:24

水有流势,社会也有趋势。过去二十年,科技行业迎来过三次浪潮。第一次是互联网拨号上网,第二次是移动互联网,第三次是AI。而随着越来越多的物联网终端设备在各个行业加速部署,边缘计算的趋势日益凸显,AI算法也正在逐步从云端下沉到边缘节点中去运行。边缘计算作为一种能够在本地智能分析、处理数据的计算方式,以时延低、效率高、安全隐私性高等优势,逐渐成为行业青睐的技术,需求呈井喷式爆发。

据市场研究机构CB Insights数据,预计2016-2023年,边缘计算市场的复合增长率将达35%,到2023年,整体市场规模将接近340亿美元。还有分析师预测,从2025年开始,边缘侧AI芯片的市场营收规模将超过云端AI芯片。

从2016年就开始专注边缘计算的OPEN AI LAB,不断深耕边缘计算AI(人工智能)开发平台,推出了国内自主的边缘AI计算框架和一系列满足各类场景需求的生产工具,简化应用部署,致力于打造中国最易用的人工智能边缘开发部署平台,通过赋能帮助企业完成数字化转型和智能化升级。

打造一个AIoT的“Android”

从应用场景来看,AI主要应用在训练(training)和推理(inference)两个环节。推理环节又分为两个场景,一个是在云端数据中心响应用户需求,一个在前端智能设备响应用户需求。智能终端爆发已经是大势所趋,但却面临着生态系统碎片化的困境。

难点一在于兼容。不同于云端场景,智能终端会深入各种各样的应用场景和需求,对接着各式各样的硬件平台、Soc,系统架构也都是异构的,未来也很难统一。

难点二在于迭代。AI的算法本身还在不断更新,有着林林总总的算子,每天几乎都会新出上百篇论文。终端企业显然是没有精力去跟上最新的技术迭代。

因此,行业必然需要一个边缘AI通用平台,在技术架构上,匹配上层AI算法框架与下层芯片;在产业链上,连接上游Soc厂商和下游算法厂商。于是边缘AI计算框架Tengine应运而生,就产品意义而言,Tengine之于AIoT,就犹如Android之于移动互联网。

简单来说,Tengine是一个嵌入式的AI计算框架,能够帮助开发者解决AI在快速产业化落地中遇到的各个瓶颈难题。Tengine不仅能向下兼容几乎所有主流国产智能芯片,比如CPU、GPU、MCU、DSP、NPU及RISC-V架构等,现阶段已与超20+主流芯片厂商和IP厂商全面适配,例如紫光展锐、全志科技、地平线、寒武纪、恒玄,瑞芯微,晶晨,恩智浦半导体、芯原、平头哥、ARM等;也能向上支撑主流训练框架及网络模型,包括TensorFlow、PaddlePaddle、Caffe、MXNet 、PyTorch、MegEngine、DarkNet、ONNX、ncnn,OneFlow等业内主流框架,让企业和开发者可以聚焦应用差异化,AI开发如同写App一样轻松。Tengine是国际上为数不多的通过ONNX官方认证的战略合作伙伴之一。在CSDN发布的《中国 AI 应用开发者报告》上,被评为“开发者最喜爱的本土 AI 框架工具”。

此外,Tengine还与老牌跨平台计算机视觉库OpenCV进一步深入合作,成为OpenCV在AI领域的重要部分。

广泛生态,海纳百川    

尽管国家一直投入资金扶持国产芯片的发展,但行业仍需一个广泛生态来让玩家共同推动。如果什么东西都自己干,实际上效率是不高的,需要大家各自做擅长的地方,通过生态合作产生合力,才能形成一个良好环境,让国产AI生态从芯片到基础软件都迅速发展。

目前边缘计算已经成为AI行业公认的发展趋势,与过去几年比较热门的云原生相似,行业在未来也可能会出现类似的边缘原生技术。基于此,OPEN AI LAB也将继续打造一个从开发到部署的一整套边缘原生的AI系统平台。

就像名字“open”一样,OPEN AI LAB从成立的第一天起就秉持着开放的心态,海纳百川,欢迎各界伙伴加入。未来Tengine亦会逐步开放更多内容,与越来越多芯片厂商和IP公司合作,吸引大量开发者使用,获得需求启发,从而反哺Tengine,形成闭环,建立一个广泛、活跃的生态。

关于OPEN AI LAB

OPEN AI LAB(开放智能)是一家专注边缘智能计算及应用的高科技企业,提供边缘AI计算框架与场景化能力生产力工具,简化应用部署,致力于打造中国最易用的人工智能边缘开发部署平台。未来将用十年时间构建起中国最领先的边缘计算生态体系,助力中国成千上万的企业高效、低门槛地实现智能化升级转型。

...全文
3647 1 打赏 收藏 举报
写回复
用AI写文章
1 条回复
切换为时间正序
请发表友善的回复…
发表回复
CSDN-Ada助手 2023-01-13
  • 打赏
  • 举报
回复
您可以前往 CSDN问答-人工智能 发布问题, 以便更快地解决您的疑问
内容概要:本文档是《Video for Linux Two API 规范》第0.24版的中文手册,系统性地介绍了V4L2(Video for Linux 2)的核心API及其使用方法。内容涵盖设备打开与关闭、能力查询、视频与音频输入输出管理、调谐器与调制器配置、视频标准选择、用户与扩展控制、数据格式协商、图像裁剪缩放、流控参数设置,以及多种I/O传输方式(如read/write、内存映射、用户指针等)。手册还详细定义了各类图像像素格式(如YUV、RGB、压缩格式)、缓冲区管理机制和ioctl控制接口,并附有编程示例和驱动开发指导,全面支持从基础捕获到高级视频处理的应用开发。; 适合人群:从事Linux平台下音视频驱动或应用程序开发的工程师,尤其是具备C语言基础并熟悉系统级编程的研发人员;适用于1-5年经验的嵌入式、多媒体或驱动开发者。; 使用场景及目标:① 开发基于摄像头、电视卡、视频采集卡等设备的Linux视频应用;② 实现视频采集、格式转换、流媒体传输、overlay叠加显示等功能;③ 调试和优化V4L2兼容硬件的驱动程序;④ 理解并运用ioctl接口进行设备控制与状态查询。; 阅读建议:建议结合实际硬件环境边学边练,优先通过VIDIOC_QUERYCAP确认设备能力,再逐步配置输入源、数据格式与I/O方式;注意各结构体字段的初始化与对齐要求,关注版本变更带来的兼容性问题,可参考附录示例代码进行调试验证。
数据集可视化效果见下方。 【数据集概况】 · 检测类别(中文):[自行车(bicycle), 公交车(bus), 汽车(car), 行人(person), 骑行者(rider), 踏板车(scooter), 卡车(truck)] · 训练集:1334 张 · 验证集:571 张 · 测试集:0 张 · 总计:1905 张 该数据集基于激光雷达点云生成的二维投影图像,真实还原了城市道路复杂交通场景下的多目标检测需求。图像呈现为典型的鸟瞰视角或前视视角的点云密度图,清晰捕捉到包括汽车、卡车、公交车、自行车、踏板车及行人等各类交通参与者在城市街道中的动态分布。数据集聚焦于高密度交通环境下的目标识别,具备高度的现实应用价值,可有效支撑智能交通系统、自动驾驶感知模块及城市安防监控等领域的技术开发。... 【训练曲线与评估图】 【模型训练配置】 参数 | 值 模型 | yolo26n 训练轮数 | 100 epochs 输入尺寸 | 640x640 批次大小 | 24 优化器 | auto 初始学习率 | 0.01 训练设备 【关键指标汇总】 训练了 100 个 epoch,最终轮指标: 指标 | 数值 mAP50 | **0.6355** mAP50-95 | 0.3557 Precision | 0.6116 Recall | 0.6067 train/box_loss | 1.3609 train/cls_loss | 1.1274 val/box_loss | 1.5101 val/cls_loss | 1.2023 【训练过程分析】 100 轮训练后 mAP50 仅 0.6355,模型收敛不充分。Loss 曲线前期下降后进入平台期,mAP 提升缓慢。mAP50-95 为 0.3557,定位精度同样偏低。 【模型性能评估】 Precision 0.6116、Recall ...
代码转载自:https://pan.quark.cn/s/a4b39357ea24 一、背景 对近一年以来(2024年H2~2025年H1),在部门非雇员OD管理中出现的主动管理、计划外离职等数据进行整理和复盘,提炼出OD招聘和管理中的经验教训,指导我们在选、用、育、留等各环节的改进,尤其在综合面试环节需要强化一些面试要素,持续优化面试环节的标准和管理过程中差异化的管理方案,提升OD的有效留存率。 二、问题/事件描述 部门近一年时间(2024年H2~2025年H1),出现约9例OD离职(含主动管理)情况,占比约7%,一定程度影响了OD的有效贡献率,本文对数据进行整理和提炼,识别风险因素,提炼共性原因,思考改进方案。 三、分析与对策 WXX - 基本数据:2002年生人,独生子女,流转资源,OD在岗4个月,985学校毕业,非软件专业(金融类专业) - 特征:自学习了一些Python就通过考试进入面试环节 - 面试环节复盘:综面环节第一次没有通过,但因业务需求紧迫,XM对人力补充比较迫切,再三沟通后,综面勉强通过 - 工作中结果:工作中与人交流不多,工作几个月攒到一些收入就准备离职出去玩。 主动离职 FXX - 基本数据:2002年生人,独生子女,流转资源,OD工作3个月,成绩较好,专业对口,父母为国企职工 - 特征:候选人沟通积极,思路清晰 - 面试环节复盘:综面意见较好,沟通比较积极,入职体检正常。 当时团队交付压力大,需要补充新鲜力量。 综面正常通过 - 工作中结果:入职后就经常生病(感冒等),工作后就隔三差五请假看病,整体出勤率低于50%时间,无法有效安排工作。 后主动管理 SXX - 基本数据:2001年生人,独生子女,OD工作2年,985大学环境专业,有一段时...

72

社区成员

发帖
与我相关
我的任务
社区描述
Tengine是OPEN AI LAB开发的轻量级AI推理框架,目前已在GitHub上开源,欢迎各位加入到我们的开源社区里来~https://github.com/OAID/Tengine
githubgit 企业社区
社区管理员
  • OPEN AI LAB开放智能
加入社区
  • 近7日
  • 近30日
  • 至今
社区公告
暂无公告

试试用AI创作助手写篇文章吧