【導(dǎo)讀】瑞芯微Rockchip正式發(fā)布旗下AI平臺(tái)三大重要升級(jí)，助力端側(cè)AI應(yīng)用：開(kāi)發(fā)工具支持GUI圖形交互界面、原生支持MXNet和PyTorch、支持Docker部署。
瑞芯微Rockchip正式發(fā)布旗下AI平臺(tái)三大重要升級(jí)，助力端側(cè)AI應(yīng)用：開(kāi)發(fā)工具支持GUI圖形交互界面、原生支持MXNet和PyTorch、支持Docker部署。
一、交互方式更加友好，RKNN－Toolkit新版本將支持圖形界面
經(jīng)過(guò)多個(gè)版本的不斷迭代完善，RKNN－Toolkit已日益成熟。瑞芯微即將推出的新版將加入圖形交互界面（GUI），開(kāi)發(fā)者通過(guò)鼠標(biāo)點(diǎn)擊即可完成模型的轉(zhuǎn)換、量化、性能分析、內(nèi)存耗費(fèi)分析等任務(wù)，快速完成AI模型在端側(cè)部署的評(píng)估和轉(zhuǎn)換工作。特別是對(duì)于混合量化等較為復(fù)雜的任務(wù)，相比于過(guò)去的命令行交互，通過(guò)圖形界面可大幅提高效率并降低操作錯(cuò)誤的概率。另外，新版RKNN－Toolkit的圖形界面同樣在Linux／Mac OSX／Windows三個(gè)平臺(tái)上均可運(yùn)行。
二、模型轉(zhuǎn)化更加簡(jiǎn)便，RKNN－Toolkit將對(duì)MXNet和PyTorch提供原生支持
在過(guò)去RKNN－Toolkit通過(guò)ONNX來(lái)完成MXNet和PyTorch等模型的支持，開(kāi)發(fā)者需要先將模型轉(zhuǎn)換為ONNX格式，再進(jìn)一步轉(zhuǎn)換為RKNN模型，這一過(guò)程較為繁瑣，并且提高了引入問(wèn)題的概率使得最終轉(zhuǎn)換失敗。
MXNet及PyTorch發(fā)展非常迅速，普及度快速提高， RKNN－Toolkit新版本將原生支持MXNet及PyTorch模型的轉(zhuǎn)換，在端側(cè)AI平臺(tái)的框架和模型支持覆蓋度上繼續(xù)保持領(lǐng)先。
三、模型推理性能更加穩(wěn)定，瑞芯微 AI平臺(tái)支持通過(guò)Docker快速部署端側(cè)AI應(yīng)用
隨著端側(cè)設(shè)備數(shù)量的成倍增長(zhǎng)，需要以更具可擴(kuò)展性的方式部署端側(cè)AI應(yīng)用軟件。Docker容器技術(shù)是業(yè)界廣泛通行的解決這一挑戰(zhàn)的有力工具。
RK1808平臺(tái)系統(tǒng)將提供對(duì)Docker的支持，通過(guò)硬件抽象層，在容器中仍可調(diào)用NPU的強(qiáng)勁算力，經(jīng)測(cè)試，容器中的AI模型推理性能幾乎沒(méi)有損失。
通過(guò)上述更新，開(kāi)發(fā)者基于瑞芯微Rockchip AI平臺(tái)的產(chǎn)品開(kāi)發(fā)、部署、維護(hù)將更為迅捷。瑞芯微將繼續(xù)與廣大開(kāi)發(fā)者共同努力，加速AI在各類場(chǎng)景的落地。
