XC6VLX75TFFG784_XC5VLX85-1FF1153C导读

CPU+GPU+FPGA的加速计算，无疑瞄准的是数据中心领域这一蓝海，Intel此前已多次表明已是围绕数据为中心的一家企业，而英伟达则在最近提出的收购案以及发布的各种新产品中不断透露“占领高地”的决心……。

图像预处理/后处理通过 Vivado 使用 HLS 实现，而 Vitis
的作用是使用连接文本提议网络（CTPN）完成推断。Softnautics 采用了赛灵思 Vitis AI 堆栈并运用该软件提供加速，开发出混合应用，同时实现了
LSTM 功能，通过将 TensorFlow-lite 移植/迁移到 ARM 进行有效的序列预测。最终，Softnautics
将该解决方案用于视频流水线中的实时场景文本检测，并使用可靠的数据集对模型进行改进。它使用 N2Cube 软件在处理侧（PS）运行。

XC6VSX475T-L1FFG1759C

。如今，赛灵思丰富多样的强大平台已为 70% 的新开发提供支持，引领着基于 FPGA
系统的设计发展趋势。Softnautics 之所以选择赛灵思技术来实现这个解决方案，是因为它同时集成了 Vitis? AI 堆栈和强大的硬件功能。

图像预处理/后处理通过 Vivado 使用 HLS 实现，而 Vitis
的作用是使用连接文本提议网络（CTPN）完成推断。它使用 N2Cube 软件在处理侧（PS）运行。最终，Softnautics
将该解决方案用于视频流水线中的实时场景文本检测，并使用可靠的数据集对模型进行改进。Softnautics 采用了赛灵思 Vitis AI
堆栈并运用该软件提供加速，开发出混合应用，同时实现了 LSTM 功能，通过将 TensorFlow-lite 移植/迁移到 ARM 进行有效的序列预测。

普遍的看法认为，仅凭 CPU 难以满足这一要求，需要某种形式的计算加速才能更高效地处理 AI
推断工作负载。但是，有机遇就会有挑战。AI
推断作为采用经训练的机器学习算法开展预测的过程，无论是部署在云端、边缘还是终端，都要求在严格的功耗预算下提供优异的处理性能。

FPGA的设计中使用了多种功耗驱动的设计技术。以Xilinx
Virtex系列为例，因为配置存储单元可占到FPGA中晶体管数的1/3，所以在该系列中使用了一种低漏电流的“midox”晶体管来减少存储单元的漏电流。DSP模块中乘法器的功耗不到FPGA架构所构建乘法器的20%。鉴于制造偏差可导致漏电流分布范围很大，可筛选出低漏电流器件，以有效提供核心漏电功耗低于60%的器件。动态功耗问题则用低电容电路和定制模块来解决。为了减少静态功耗，还全面采用了较长沟道和较高阈值的晶体管。

XC5VLX50T-2FFG665I

XC6VLX130T-2FF784I XC6VLX130T-3FFG784C
XC6VLX195T-1FF784I XC6VLX130T-2FFG1156C XC6VLX130T-2FFG784C XC6VLX130T-2FF484I
XC6VLX130T-2FFG1156I XC6VLX130T-1FF484I XC6VLX130T-3FF784C XC6VLX130T-1FFG1156I
XC6VLX130T-1FFG1156C XC6VLX130T-3FFG1156C XC6VLX195T-1FF1156C XC6VLX130T-3FF484C
XC6VLX130T-3FFG484C XC6VLX130T-2FF484C XC5VTX240T-2FF1759I XC5VTX240T-2FFG1759C
XC5VTX240T-2FFG1759I XC6VLX130T-1FFG484C XC6VLX130T-1FFG484I 。

XC7K410T-2FFG900I XC7K410T-2FFG900C XC7K410T-2FFG676I
XC7K410T-1FFG900I XC7K480T-1FFG1156I XC6VLX550T-3FFG1760C XC6VLX75T-1FFG784C
XC6VLX75T-1FFG484I XC6VLX75T-1FFG484C XC6VLX75T-1FF784I XC6VLX365T-3FF1759C
XC6VLX365T-3FFG1156C XC6VLX365T-2FFG1156C XC6VLX550T-2FF1760I
XC6VLX550T-3FFG1759C XC6VLX550T-3FF1760C XC6VLX550T-3FF1759C
XC6VLX550T-2FFG1760I 。

XCV1000E-7C/BG728 XCV1000E-7BGG560I XCV1000E-7BGG560C
XCV1000E-7BG728I XCV1000E-7BG728C-L XCV1000E7BG728C0798 XCV1000E-7BG728C-0773
XCV1000E7BG728C0773 XCV1000E-7BG728C-0763 XCV1000E7BG728C0763 XCV1000E-7BG728C
XCV1000E-7BG728C XCV1000E7BG728C XCV1000E-7BG680C XCV1000E-7BG560I 。

XC5VTX240T-2FF1759C XC5VTX240T-1FF1759I
XC5VTX240T-1FFG1759C XC5VSX95T-3FFG1136C XC5VSX95T-1FFG1136C XC5VSX50T-3FFG665C
XC5VSX95T-1FF1136C XC5VTX240T-1FFG1759I XC5VSX95T-2FFG1136C XC5VSX95T-1FFG1136I
XC5VSX95T-2FF1136C XC5VSX95T-1FF1136I XC5VSX50T-2FF665C XC5VSX50T-2FFG665C
XC5VSX50T-2FFG1136I XC5VSX95T-2FF1136I 。

升高温度可导致漏电功耗呈指数上升。例如，把温度从85℃升高至100℃可使漏电功耗增加25%。如图1所示，功耗很大程度上取决于电源电压和温度。降低FPGA电源电压可使动态功耗呈二次函数下降，漏电功耗呈指数下降。

IplImage对图像的另一种优化是变量origin原点，为了弥补这一点，OpenCV允许用户定义自己的原点设置。IplImage类型较之CvMat多了很多参数，比如depth和nChannels。在OpenCV类型关系上，我们可以说IplImage类型继承自CvMat类型，当然还包括其他的变量将之解析成图像数据。