Outils et processeur inédits pour l’apprentissage profond
videantis propose une nouvelle architecture de traitement visuel v-MP6000UDX, associée à l’outil v-CNNDesigner. Le nouveau processeur permettrait de multiplier par 3 les performances des algorithmes d’apprentissage profond, tout en assurant la compatibilité du logiciel avec l’architecture v-MP4000HDX déjà puissante.
Dans le secteur automobile, videantis a connu une forte croissance du fait de l’adoption rapide des systèmes d’aide à la conduite automobile (ADAS) incorporés dans des millions de véhicules en circulation. La réalité virtuelle et la réalité augmentée constituent un autre domaine de développement. L’une des tendances les plus récentes consiste à incorporer des algorithmes d’apprentissage profond dans les systèmes de vision embarqués. Cependant, la démarche nécessite bien davantage de capacité de calcul et de bande passante,
videantis vient d’annoncer sa nouvelle architecture de traitement visuel v-MP6000UDX, associée à l’outil v-CNNDesigner. Le nouveau processeur permettrait de multiplier par 3 les performances des algorithmes d’apprentissage profond, tout en assurant la compatibilité du logiciel avec l’architecture v-MP4000HDX déjà puissante.
Dans le secteur automobile, videantis a connu une forte croissance du fait de l’adoption rapide des systèmes d’aide à la conduite automobile (ADAS) incorporés dans des millions de véhicules en circulation. La réalité virtuelle et la réalité augmentée sont deux autres domaines de développement. L’une des tendances les plus récentes consiste à incorporer des algorithmes d’apprentissage profond dans les systèmes de vision embarqués. Cependant, la démarche nécessite bien davantage de capacité de calcul et de bande passante, problème auquel videantis se propose de répondre par sa nouvelle architecture v-MP6000UDX.
Cette architecture englobe un jeu d’instructions étendu, optimisé pour mettre en œuvre des réseaux neuronaux convolutifs. Elle permet également de multiplier par 8 le débit d’opérations multiply-accumulate par cœur, soit 64 MAC par cœur, et d’étendre le nombre de cœurs de 8 jusqu’à 256. Parallèlement à la nouvelle architecture, videantis a annoncé son nouvel outil v-CNNDesigner, qui facilite le portage des réseaux neuronaux conçus et enrichis par apprentissage à l’aide de plateformes telles que TensorFlow ou Caffe. L'outil v-CNNDesigner analyse, optimise et parallélise les réseaux neuronaux enrichis pour assurer un traitement efficace grâce à l’architecture v-MP6000UDX. Avec cet outil, la mise en œuvre d’un réseau neuronal est automatisée et ne devrait prendre que quelques minutes pour assurer le fonctionnement des réseaux de neurones convolutifs sur l’architecture de traitement videantis basse consommation.
Dans le secteur automobile, videantis a connu une forte croissance du fait de l’adoption rapide des systèmes d’aide à la conduite automobile (ADAS) incorporés dans des millions de véhicules en circulation. La réalité virtuelle et la réalité augmentée sont deux autres domaines de développement. L’une des tendances les plus récentes consiste à incorporer des algorithmes d’apprentissage profond dans les systèmes de vision embarqués. Cependant, la démarche nécessite bien davantage de capacité de calcul et de bande passante, problème auquel videantis se propose de répondre par sa nouvelle architecture v-MP6000UDX.
Cette architecture englobe un jeu d’instructions étendu, optimisé pour mettre en œuvre des réseaux neuronaux convolutifs. Elle permet également de multiplier par 8 le débit d’opérations multiply-accumulate par cœur, soit 64 MAC par cœur, et d’étendre le nombre de cœurs de 8 jusqu’à 256. Parallèlement à la nouvelle architecture, videantis a annoncé son nouvel outil v-CNNDesigner, qui facilite le portage des réseaux neuronaux conçus et enrichis par apprentissage à l’aide de plateformes telles que TensorFlow ou Caffe. L'outil v-CNNDesigner analyse, optimise et parallélise les réseaux neuronaux enrichis pour assurer un traitement efficace grâce à l’architecture v-MP6000UDX. Avec cet outil, la mise en œuvre d’un réseau neuronal est automatisée et ne devrait prendre que quelques minutes pour assurer le fonctionnement des réseaux de neurones convolutifs sur l’architecture de traitement videantis basse consommation.
