Xilinx 器件及 Vitis/Vitis AI 解决方案可为众多应用加速，包括视频处理、图像预处理、AI 推断以及内存带宽优化等。在本视频中，我们将演示如何使用 Xilinx ZCU104 开发人体检测应用。我们不仅将展示 Vitis AI 堆栈如何实现高速度、高精度和高性能，而且还将展示如何使用 Vitis HLS 库、DRM 以及 V4L2 等工具实现进一步优化。
Xilinx 器件及 Vitis/Vitis AI 解决方案可为众多应用加速，包括视频处理、图像预处理、AI 推断以及内存带宽优化等。在本视频中，我们将演示如何使用 Xilinx ZCU104 开发人体检测应用。
随着人工智能（AI）应用的高速发展，视觉AI成了各家技术公司逐鹿的主战场。基于机器学习，网络边缘的视觉AI设备可以根据AI推理，完成物体探测、人脸识别、图像分析等多种智能视觉任务，为用户带来全新的体验。
人工智能发展迅速，创新步伐不断加快。然而，虽然软件行业已经成功在生产中部署了 AI，但包括汽车、工业和智能零售等在内的硬件行业，在 AI 产品化方面仍处于初级阶段。阻碍 AI 算法概念验证 (PoC) 成为真正硬件部署的主要差距仍然存在。
在列车及地面道旁设备上的智能性，可实现快速、安全、可靠、舒适的旅行。控制门、照明、摄像头、空调、制动器、卫生间以及显示器等需要在计算性能、实时性能和可靠性之间达到最佳平衡。 灵活地将人工智能和传感器结合到机舱内部和周围的处理工艺中，为乘客提供更舒适的环境。效率、耐用性和安全性可通过高级牵引控制及优化的电机控制算法在逻辑上进行优化
机器学习 (ML) 技术正在强化交通部门的检测精度和数据分析能力。作为新技术，机器学习仍在不断演进发展，且新的技术标准也在制定中。广泛应用于收费系统、交通监控、安全保障等场景的智能交通摄像头系统，对于交通管理具有变革性的意义。
在本系列的前几篇文章中 ，我们讨论了 Dennard Scaling 和摩尔定律的细目以及对专用和适应性加速器的需求。 然后，我们深入研究了功耗问题，并讨论了网络压缩的高级优势。在这第三篇文章中，我们将探讨专门构建的“计算有效”神经网络模型的优点和挑战。
在 "人工智能引发能源问题，我们该怎么办 （一）"中，我们简要介绍了更高层次的问题，这些问题为优化加速器的需求奠定了基础。作为一个尖锐的问题提醒，现在让我们通过一个非常简单的图像分类算法，来看一看与之相关联的计算成本与功耗。
随着智能互联设备的渗透，我们已来到半导体行业发展的拐点。这些智能设备充斥着我们的家庭、汽车、办公室、工厂、城市和云端。而实现无处不在的人工智能（ AI ）的代价在于，驱动这些设备的半导体器件所要承载的数据处理需求正呈指数级增长
本文重点介绍在Xilinx® Versal™ AI Core器件中使用AI Engine技术的数字下变频链（DDC）设计。展示了一种将DDC功能映射到AI Engine阵列的创新方法，利用Versal ACAP的独特架构来提供高性能和高效率。