XC6VLX550T-L1FF1760I_XC5VLX85-2FFG1153C导读

因此，自然环境下的自动文本读取，也称为场景文本检测/识别或 Photo OCR（Optical
Character
Recognition，光学字符识别），已成为计算机视觉领域中关注度和重要性日益提高的研究课题。文本是人类最具智慧、最有影响力的创造之一。文本中所蕴含的丰富、精确的高级语义可以帮助我们理解周遭世界，并用于构建可部署在真实环境中的自主运行解决方案。

从自动驾驶汽车到 AI 辅助医疗诊断，我们正处于一个真正的变革时代的开端。AI
已经开始改变我们生活的方方面面，推动了显著的社会进步。

XC6VCX195T-1FF1156C

它是一个预配置的、随时可运行的图像，用于在亚马逊的 FGPA 加速 F1 上执行 Dijkstra
的最短路径搜索算法。 GraphSim 是基于图的 ArtSim SSSP 算法。 Go 语言转换至 FPGA
平台使用软件定义的芯片构建定制的、可重编程的低延迟加速器。生成的存档符合 RFC 1952 GZIP 文件格式规范。GZIP 加速器提供的硬件加速 gzip
压缩速度比 CPU 压缩速度快 25 倍。

例如，图像可能需要完成解压缩和缩放后才能符合 AI 模型的数据输入要求。与 AI 推断实现方案类似，非
AI 的预处理和后处理功能开始需要某种形式的加速。此外还有第三个挑战，而这也是较少为人所知的一个，其出现的原因在于 AI 推断无法单独部署。真正的 AI
部署通常需要非 AI 处理，无论是在 AI 功能之前还是之后。这些传统的处理功能必须运行在与 AI 功能相同的吞吐量下，同样需要实现高性能与低功耗。

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。

如果使用 ASIC 等固定功能的芯片实现 AI 网络，则可能因先进 AI
模型的高速创新而迅速过时。与此同时，AI 算法正在快速演进发展，且速度快于传统芯片开发周期的速度。

XC4VLX25-10SF363I

XC4VLX200-11FFG1513I XC4VLX200-12FF1513C
XC4VLX200-12FFG1513C XC4VLX200-10FFG1513C XC4VLX200-10FFG1513I
XC4VLX200-11FF1513C XC4VLX40-10FF1148I XC4VLX25-11FFG668C XC4VLX40-10FF668I
XC4VLX40-10FF1148C XC4VLX25-12FFG668C XC4VLX40-10FF668C XC4VLX25-12SFG363C
XC4VLX25-12FF668C XC4VLX25-11SF363I XC4VLX60-10FF1148I XC4VLX25-11SFG363I
XC4VLX25-11SF363C XC4VLX25-11FF668I XC4VLX25-11SFG363C XC4VLX25-11FFG668I
XC4VLX25-11FF668C XC4VLX160-10FFG1148I 。

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 。

XC6VLX130T-1FFG1156C XC6VLX130T-3FFG1156C
XC6VLX195T-1FF1156C XC6VLX130T-3FF484C XC6VLX130T-3FFG484C XC6VLX130T-2FF484C
XC5VTX240T-2FF1759I XC5VTX240T-2FFG1759C XC5VTX240T-2FFG1759I
XC6VLX130T-1FFG484C XC6VLX130T-1FFG484I XC6VLX130T-1FFG784C XC6VLX130T-1FFG784I
XC6VLX130T-1FF484C XC5VSX95T-3FF1136C XC5VSX95T-2FFG1136I XC5VTX240T-1FF1759C
XC5VTX240T-3FF1759C XC5VTX240T-3FFG1759C XC6VLX130T-1FF1156C XC6VLX130T-1FF1156I
。

XC6VLX75T-1FF784C XC6VLX75T-1FF484I XC6VLX75T-1FF484C
XC6VLX75T-3FFG784C XC6VLX75T-3FFG484C XC6VLX760-1FF1760I XC6VLX760-1FF1760C
XC6VLX550T-2FFG1760C XC6VLX760-2FF1760C XC6VLX550T-2FFG1759C
XC6VLX550T-2FFG1759I XC6VLX75T-2FF784I XC6VLX75T-2FF784C XC6VLX75T-2FFG484I
XC6VLX75T-2FFG484C XC6VLX75T-2FFG784I XC6VLX75T-2FFG784C XC6VLX75T-3FF784C
XC6VLX75T-3FF484C XC6VLX365T-1FFG1156C XC6VLX365T-1FFG1759I XC6VLX365T-2FF1759C
XC6VLX365T-1FFG1156I 。

我们通过快速角点的例子，说明通常用VivadoHLS实现OpenCV的流程。当然，这些可综合代码也可在处理器或ARM上运行。首先，开发基于OpenCV的快速角点算法设计，并使用基于OpenCV的测试激励仿真验证这个算法。最后，将改写的OpenCV设计中的函数，替换为HLS提供的相应功能的视频函数，并使用VivadoHLS综合，在Xilinx开发环境下在FPGA可编程逻辑或作为Zynq
SoC硬件加速器实现。接着，建立基于视频数据流链的OpenCV处理算法，改写前面OpenCV的通常设计，这样的改写是为了与HLS视频库处理机制相同，方便后面步骤的函数替换。

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。