မလွန်စွာများပေါင်းသော ကင်မရာများပါသော AI မြင်ကွင်းစနစ်တွင် DDR မှတ်ဉာဏ်အများဆုံးမည်မျှလိုအပ်ပါသနည်း။ (RK3576 ရွေးချယ်မှုဇယားဖြင့်)

AI မြင်သိမှုအသုံးချမှုများ မြန်မြန်ဆန်ဆန်တိုးတက်လာခြင်းနှင့်အမျှ ကင်မရာနှစ်လုံး၊ လေးလုံးနှင့် ထိုထက်ပိုမိုသော ကင်မရာများပါဝင်သော ဖြေရှင်းနည်းများကို ဒေတာစုဆောင်းခြင်း၊ လုံခြုံရေးစောင်းကြည့်ခြင်း၊ စက်မှုစစ်ဆေးခြင်း၊ ရိုဘော့ခ်များ၏ သိမြင်မှုနှင့် အိုင်ဂျီစီကွန်ပျူတာများ စသည့် အခြေအနေများတွင် အသုံးများလာပါသည်။ အများအားဖြင့် အသုံးပြုသည့် ပရိုဂရမ်များတွင် ဟာဒ်ဝဲရွေးချယ်မှုအချိန်တွင် အဖြစ်များသော အမှားတစ်မှုမှာ ခ်စ်ပ်၏ တွက်ချက်မှုစွမ်းရည်ကိုသာ အလေးပေးပြီး မှတ်ဉာဏ်ပုံစံကို လျစ်လျူရှုခြင်းဖြစ်သည်။ ထိုအမှားကြောင့် ပုံများ ပျောက်ဆုံးခြင်း၊ AI တွက်ချက်မှုမှုန်ညားခြင်းနှင့် စနစ်ပိတ်သွားခြင်းတို့ကဲ့သို့သော ပြဿနာများ ဖြစ်ပေါ်လာပါသည်။

DDR မှတ်ဉာဏ်ပမာဏကို အများကြီးထားရန် အများကြီးကောင်းပါသလား။ ဟုတ်ပါသည်။ စွမ်းဆောင်ရည်နှင့် တည်ငြိမ်မှုအရ အများကြီးထားရန် အကောင်းဆုံးဖြစ်ပါသည်။ သို့သော် အားနည်းချက်များလည်း ရှင်းလင်းစွာ ရှိပါသည်။ အထူးသဖြင့် DDR စျေးနှုန်းများ မြင့်တက်လာသည့် အချိန်တွင် စုံစမ်းမှုများကို အလွန်အများကြီး ကုန်ကျစေပါသည်။ ထို့ကြောင့် ဖြေရှင်းနည်းရွေးချယ်မှုတွင် စုံစမ်းမှုလိုအပ်ချက်များနှင့် ကုန်ကျစွ expense ကို ညှိနှိုင်းရန် အရေးကြီးပါသည်။

DDR အရွယ်အစားသတ်မှတ်မှုတွင် အဖြစ်များသော အမှားကို ကြည့်ကြည့်ပါ။ မှန်ကန်သောအခြေအနေများတွင် မှတ်ဉာဏ်အသုံးပြုမှုသည် နိမ့်နေသည်ဟု ထင်ရသော်လည်း တစ်ပါတည်း လုပ်ဆောင်မှုများ ပေါ်ပေါက်လာသည့်အခါ အများဆုံးတန်ဖိုးသို့ အများကြီး တက်လာနိုင်ပြီး စနစ်ပေါ်တွင် တိုက်ရိုက် ပေါ်ပေါက်လာသော ပျက်စီးမှုများကို ဖော်ပေါ်စေနိုင်သည်။ အများစုသော အဖွဲ့များသည် ဟာဒ်ဝဲအကဲဖေးမှုအတွက် မှတ်ဉာဏ်အသုံးပြုမှု၏ ပျမ်းမျှတန်ဖိုးကို အသုံးပြုကြသည်။ AR0234 စိန်းဆာကို ဥပမာအဖြစ် ယူကြပါက 1080P ကင်မရာတစ်လုံးသည် အနေအထားမှုမှုတွင် မှတ်ဉာဏ်အသုံးပြုမှု အနည်းငယ်သာ ရှိသည်။ သို့သော် ဖမ်းယူခြင်း-ISP-AI အကောက်ခံခြင်း-အကောက်ခံခြင်း စီးပွားရေးလုပ်ငန်းစဉ်တစ်ခုလုံးကို လုပ်ဆောင်သည့်အခါ တစ်ခုချင်းစီသော မှတ်ဉာဏ်အသုံးပြုမှုသည် မိုဂါဘိုက်တ် အများအပ်သော အရေအတွက်သို့ ရောက်ရှိနိုင်သည်။ 4K ကင်မရာအတွက် တစ်ခုချင်းစီသော အများဆုံးအသုံးပြုမှုသည် မိုဂါဘိုက်တ် ၁၀၀ ကျော်အထိ ရောက်ရှိနိုင်သည်။ HTTP တောင်းဆောင်မှုတစ်ခုသည်ပါ ချိတ်ဆက်မှုတစ်ခုလျှင် မိုဂါဘိုက်တ် အနည်းငယ်ကို အသုံးပြုသည်။ ဤအသုံးပြုမှုများသည် တစ်ခုချင်းစီတွင် အနည်းငယ်သာ ဖြစ်သော်လည်း ကင်မရာများနှင့် လုပ်ဆောင်မှုများ အများအပ်စွာ တစ်ပါတည်း စတင်လုပ်ဆောင်သည့်အခါ အများကြီး ပေါင်းစပ်လာနိုင်သည်။ ထိုအခါ OOM (Out-of-Memory) ဖြစ်ပွားပြီး လုပ်ဆောင်မှုများ ဖျက်သိမ်းခံရပြီး စနစ်ပေါ်တွင် ပျက်စီးမှုများ ဖော်ပေါ်လာနိုင်သည်။

မှတ်ဉာဏ်အသုံးပြုမှုသည် မှုန်းကင်မရာ AI မြင်ကွင်းစနစ်များတွင် မည်သည့်နေရာတွင် ဖြစ်ပေါ်သနည်း။

အိုင်အီးမော်ဒယ်များသည် အိုင်အီးမော်ဒယ်များတွင် အသုံးပြုသည့် မှတ်ဉာဏ်ကို အထူးသဖြင့် အသုံးပြုခြင်းမဟုတ်ပါ။ မှတ်ဉာဏ်ကို ပုံရှင်များ ဖမ်းယူခြင်း၊ ကြိုတင်ပြုပြင်ခြင်း၊ အိုင်အီး အကောင်အကျင်းလုပ်ခြင်း၊ စနစ်ဝန်ဆောင်မှုများနှင့် အသုံးပြုသည့် လုပ်ဆောင်ခြင်းများအတွက် မှတ်ဉာဏ်ကို မျှဝေအသုံးပြုကြပါသည်။ ကင်မရာ ချန်နယ်အရေအတွက် တိုးလာသည်နှင့်အမျှ မှတ်ဉာဏ်အသုံးပြုမှု တိုးလာပါသည်။

၁။ ပုံရှင် ဘပ်ဖာများ (အများဆုံး အသုံးပြုမှတ်ဉာဏ် အရင်းအမြစ်) တစ်ခုချင်းစီသော ကင်မရာများမှ ထုတ်လုပ်သည့် မှန်သောပုံရှင်များ၊ YUV ဖရိမ်များနှင့် အရွယ်အစားပြောင်းထုတ်လုပ်သည့် ဖရိမ်များသည် မှတ်ဉာဏ်ကို အသုံးပြုကြပါသည်။ AR0234 ကင်မရာတွင် 1080P@30fps ဖြင့် အလုပ်လုပ်သည့်အခါ တစ်ခုတည်းသော YUV ဖရိမ်တွင် မှတ်ဉာဏ် များစွာ အသုံးပြုပါသည်။ ဖရိမ်များ ကျော်သွားခြင်းကို ကာကွယ်ရန် စနစ်သည် ဖရိမ်များစုံ ပတ်လုပ်ဆောင်သည့် ဘပ်ဖာများကို ထိန်းသိမ်းထားပါသည်။ ထိုသို့ဖြင့် မှတ်ဉာဏ်အသုံးပြုမှု ပိုမိုတိုးလာပါသည်။ မှန်သောပုံရှင်များ၊ သေးငယ်သည့် ပုံရှင်များနှင့် အပိုင်းအစများ ထုတ်လုပ်ခြင်းသည် ဖရိမ်ဘပ်ဖာများ အသုံးပြုမှုကို ပိုမိုတိုးစေပါသည်။ ကင်မရာများ အများအပြား တစ်ပါတည်း အလုပ်လုပ်သည့်အခါ မှတ်ဉာဏ်အသုံးပြုမှုသည် ပိုမိုများပါသည်။

၂။ ISP နှင့် ပုံရှင် ကြိုတင်ပြုပြင်ခြင်း အသုံးပြုမှတ်ဉာဏ် ISP သည် အသံမှုန်မှုလျော့ချခြင်း၊ အရောင်ပြောင်းလဲမှုကို ပြုပြင်ခြင်း၊ ပုံစံမှုန်ဝါးမှုကို ပြုပြင်ခြင်း၊ လှည့်ခြင်း၊ ဖြတ်ထုတ်ခြင်းနှင့် ဖော်မတ်ပြောင်းလဲခြင်းတို့ကို ဆောင်ရွက်သည့် အခြားသော ဟာဒ်ဝဲအရှိန်မှုန်မှုဖြစ်သည်။ ISP တွင် ကြီးမားသည့် ဖရိမ်သိုလှောင်မှုစွမ်းရည်မရှိဘဲ အလွန်သေးငယ်သည့် အတွင်းပိုင်းကြေးန်းသိုလှောင်မှုသာ ပါဝင်သည်။ ထို့ကြောင့် အများအားဖြင့် လုပ်ဆောင်မှုများအတွက် DDR တွင် ယာယီဘွဖ်ဖာများကို သတ်မှတ်ပေးရမည်ဖြစ်သည်။ ကင်မရာခုန်လှုပ်မှုအရေအတွက်များလာလျှင် ISP ၏ အလုပ်ဝန်များလာပြီး DDR စွမ်းရည်လိုအပ်ချက်များလည်း များလာမည်ဖြစ်သည်။

၃။ AI မော်ဒယ်အတွက် အသုံးပြုမည့် မှတ်ဉာဏ် AI အတွက် အသုံးပြုမည့် မှတ်ဉာဏ်သည် အပိုင်းနှစ်ပိုင်းဖြင့် အသုံးပြုသည်။ ပထမအပိုင်းမှာ မော်ဒယ်အလေးချိန်များဖြစ်ပြီး မော်ဒယ်အရွယ်အစားကြီးလာလျှင် မှတ်ဉာဏ်အသုံးပြုမှုလည်း များလာမည်ဖြစ်သည်။ ကံကောင်းစွာဖြင့် အလေးချိန်များကို မော်ဒယ်စတင်သည့်အခါတွင် တစ်ကြိမ်သာ ဖော်ပေးရမည်ဖြစ်ပြီး မှတ်ဉာဏ်အသုံးပြုမှုသည် ကင်မရာခုန်လှုပ်မှုအရေအတွက် သို့မဟုတ် အသုံးပြုမှုအခြေအနေများ များလာသည့်အခါတွင် များလာမည်မဟုတ်ပါ။

အချက်အလက်များကို စုစည်းခြင်းအဆင့်တွင် မှတ်ဉာဏ်သည် ထိခိုက်မှုမရှိပါ။ လုံးဝမထိခိုက်ပါ။ ထို့ကြောင့် ဒုတိယအစိတ်အပိုင်းသို့ ရောက်ရှိလာပါသည်။ အဲဒါမှာ စုစည်းခြင်းအဆင့်တွင် ဖန်တီးထားသော အလယ်အလတ်အသွင်အပြင်များဖြစ်ပါသည်။ ကင်မရာတစ်ခုချင်းစီသည် ကိုယ်ပိုင်တွက်ချက်မှုဘောက်စ်ကို လိုအပ်ပါသည်။ ထို့ကြောင့် စုစည်းခြင်းအတွက် မှတ်ဉာဏ်အသုံးပြုမှုသည် စုစုပေါင်းအားဖြင့် မြင့်မားလာပါသည်။ ကင်မရာများစွာကို တစ်ပါတည်း စုစည်းခြင်းအတွက် အချိန်နှင့်တစ်ပါတည်း အလုပ်လုပ်နေသော တွက်ချက်မှုဘောက်စ်များစွာကို လိုအပ်ပါသည်။ ထို့ကြောင့် ကင်မရာအရှယ်များစွာကို အသုံးပြုခြင်းသည် စုစည်းခြင်းဘောက်စ်များအတွက် မှတ်ဉာဏ်အသုံးပြုမှုကို ပိုမိုမြင့်မားစေပါသည်။

၄။ စနစ်၊ ဒရိုင်ဘာနှင့် မိုင်ဒ်လေယား ကျွန်ုပ်တို့၏ RK3576 မြင်ကွင်းဖော်ပေးသော ဖော်ပေးခြင်းဖော်လော်ဂျီကို ဥပမောပမာအဖြစ် ယူကြည့်ပါ။ အခြေခံစနစ်မှတ်ဉာဏ်ကို Linux kernel၊ RK မီဒီယာဒရိုင်ဘာများ၊ RKMPP မီဒီယာဖရိမ်ဝပ်၊ NPU ဒရိုင်ဘာများ၊ စနစ်မှတ်တမ်းများနှင့် လုပ်ဆောင်နေသော လုပ်ငန်းများက အသုံးပြုပါသည်။ ကင်မရာများစွာကို အသုံးပြုသည့် စနစ်များတွင် မီဒီယာဖရိမ်ဝပ်များနှင့် ဗီဒီယိုကုဒ်ဖော်ခြင်း (H.264 / H.265 မှတ်တမ်းတင်ခြင်း) တို့သည် မှတ်ဉာဏ်အသုံးပြုမှုကို အများအပြား တိုးမှုပေးပါသည်။ ကင်မရာများစွာကို တစ်ပါတည်း ကုဒ်ဖော်ခြင်းနှင့် မှတ်တမ်းတင်ခြင်းကို ဖွင့်လှစ်ပေးခြင်းသည် မှတ်ဉာဏ်အသုံးပြုမှုကို အလွန်မြန်မြန် တိုးမှုပေးပါသည်။

အရေးကြီးသော မှတ်ချက် - ဤသည်မှာ eMMC သိုလှောင်မှုမှလွဲ၍ DDR RAM အသုံးပြုမှုကို ရည်ညွှန်းပါသည်။ eMMC သည် ကုဒ်ဖော်ပြီးသော ဗီဒီယိုဖိုင်များကိုသာ သိုလှောင်ပါသည်။

5.အသုံးပြုမှု - Business Memory အလွှာ Inference ရလဒ် parsing၊ multi-object tracking၊ data reporting၊ local caching နဲ့ snapshot storage တို့အပါအဝင် application logic တွေဟာ မှတ်ဉာဏ်ကို သုံးစွဲပါတယ်။ ဥပမာ၊ ခြေရာခံတဲ့ အယ်လ်ဂိုရီသမ်တွေဟာ multi-frame target data တွေကို သိမ်းဆည်းပါတယ်။ ကင်မရာတွေနဲ့ ခြေရာခံထားတဲ့ အရာဝတ္ထုတွေ ပိုများလာရင် ဒေတာအစုတွေ ပိုကြီးလာပြီး application level memory သုံးစွဲမှု ပိုမြင့်လာပါတယ်။

RK3576 ပလက်ဖောင်းပေါ်တွင် လက်တွေ့မှတ်ဉာဏ် စွမ်းဆောင်ရည်

RK3576 သည် 6 TOPS NPU စွမ်းဆောင်ရည်ကိုပေးသော ပြည်တွင်းအရှေ့တန်း AI ပရိုဆက်ဆာဖြစ်ပြီး ကင်မရာပေါင်းစုံ AI-vision ဖြန့်ဖြူးမှုအတွက်သင့်တော်သည်။ ကျွန်တော်တို့ ကုမ္ပဏီမှာ စီမံကိန်း လိုအပ်ချက် အမျိုးမျိုးနဲ့ ကိုက်ညီဖို့ ကင်မရာလမ်းကြောင်း ၁ ကနေ ၆ အထိကို ထောက်ပံ့တဲ့ အရွယ်ရောက်တဲ့ အစုလိုက် ထုတ်လုပ်မှု ထုတ်ကုန်တွေ အများကြီးရှိပါတယ်။ 4 GB DDR သည် အဓိကထုတ်လုပ်မှုပုံစံဖြစ်သည်၊ အခြား DDR အရွယ်အစားများကို မတူညီသော အလုပ်ဝန်ထုပ်များအတွက်ထောက်ပံ့သည်။

အောက်ပါဇယားသည် ဈေးကွက်တွင် တွေ့နေကျ 1080p-4K ကင်မရာ အာရုံခံကိရိယာများအတွက် သက်ဆိုင်သည်-

မှတ်ဉာဏ် ပုံစံကို ရွေးချယ်ရာတွင် မသေချာပါက [email protected] သို့ ဆက်သွယ်ပါ။ ကင်မရာ ချန်နယ်အရေအတွက်၊ ဖော်ပြမှုအရည်အသွေး၊ လုပုပ်ငန်းဆိုင်ရာ အကြံအစည်များနှင့် လုပ်ဆောင်မှု ဝန်ပေါ်မှုအပေါ် အခြေခံ၍ ကျွန်ုပ်တို့သည် သင့်အတွက် အထူးပြုထားသော ဖြေရှင်းနည်း အကဲဖြတ်မှုကို ပေးအပ်ပါမည်။