60 篇文档带有标签「MPU」

通过工具调用，让设备端 AI 模型控制 LED 和系统功能。

构建一个利用设备端嵌入挑选答案的问答助手。

使用 llama.cpp 在 Astra Machina 上本地运行 TinyLlama。

使用 llama.cpp 运行能理解图像和文本的视觉语言模型。

三阶段设备端人脸识别流水线：人脸检测、68 点面部关键点和 256 维人脸特征向量。

Google 推出的轻量级 2.7 亿参数多模态语言模型，专为文本分类和数据提取等任务优化，具备快速微调能力。

Google 推出的紧凑型 2.7 亿参数语言模型，量化为 INT4，适用于文本分类和数据提取任务，并支持快速微调。

专为 ImageNet 299x299 分辨率图像分类任务优化的量化 Inception V4 模型。

Liquid AI 推出的 4.5 亿参数视觉语言模型，可回答与输入图像相关的自然语言问题。

Liquid AI 推出的 2.3 亿参数混合短卷积与注意力语言模型，可作为技能选择层，将指令分解为工具调用。

带有 0.25 宽度乘数的 MobileNet V1 模型，专为 ImageNet 224x224 分辨率图像分类任务优化。

带有 0.25 宽度乘数的量化 MobileNet V1 模型，专为 ImageNet 224x224 分辨率图像分类任务优化。

带有 1.0 宽度乘数的 MobileNet V2 模型，专为 ImageNet 224x224 分辨率图像分类任务优化。

带有 1.0 宽度乘数的量化 MobileNet V2 模型，专为 ImageNet 224x224 分辨率图像分类任务优化。

针对 ImageNet 224x224 分辨率图像分类任务优化的量化 MobileNet V2 模型，采用 1.0 宽度乘数。

针对高分辨率图像中人员检测优化的轻量级 MobileNet 模型。

针对 COCO 数据集目标检测优化的 MobileNet 模型，支持 224x224 全分辨率及 80 个类别。

流式自动语音识别模型，采用滑动窗口编码器以缩短首 token 时间，针对 16kHz 单声道音频优化。

专为实时语音识别设计的高效自动语音识别模型，采用可变长度架构，支持最长 30 秒的 16kHz 单声道音频输入。

将 NV12 格式的 1920x1080 图像转换为同分辨率 RGB 格式的预处理模型。

将 NV12 格式的 1920x1080 图像转换为 224x224 分辨率 RGB 格式的预处理模型。

将 NV12 格式的 1920x1080 图像转换为 640x360 分辨率 RGB 格式的预处理模型。

采用 MobileNet 架构、75% 宽度乘数的 PoseNet 模型，用于高效人体姿态估计。

采用 MobileNet 架构、75% 宽度乘数的量化 PoseNet 模型，用于高效优化的人体姿态估计。

使用 Roboflow 微调用于 PPE 检测的 YOLO11，并部署到 Astra。

设置开发板，运行您的第一个边缘 AI 示例。

设置开发板，运行您的第一个边缘 AI 示例。

将 YUV 图像从 1280x720 转换至 3840x2160 分辨率的快速超分辨率模型。

将 YUV 图像从 1920x1080 转换至 3840x2160 分辨率的快速超分辨率模型。

基于 QDEO 的超分辨率模型，将 YUV 图像从 1280x720 转换至 3840x2160 分辨率。

基于 QDEO 的超分辨率模型，将 YUV 图像从 1920x1080 转换至 3840x2160 分辨率。

Torq 边缘 AI 平台概述：在 SL2610 NPU 上运行神经网络。

使用 whisper.cpp 实时转写麦克风音频。

使用 whisper.cpp 在设备端转写 WAV 文件。

在 Astra 上测量预训练 YOLO 模型的推理速度。

YOLO26 免 NMS 目标检测模型（nano 和 small），针对 320x320 分辨率优化，解码头已编译至 NPU。

针对 640x480 分辨率优化的 YOLOv5m 目标检测模型，在速度与精度之间取得平衡。

针对 640x480 分辨率优化的 YOLOv5s 目标检测模型，适用于实时应用场景。

专为人脸检测设计的 YOLOv5s 模型，针对 640x480 分辨率优化，采用 ONNX 混合量化。

针对 320x320 分辨率优化的 YOLOv8n 目标检测模型，在速度与精度之间实现平衡。

针对 320x320 分辨率优化的 YOLOv8n 姿态估计模型，可检测人体及其身体关键点。

针对 320x320 分辨率优化的 YOLOv8s 姿态估计模型，可检测人体及其身体关键点。

针对 320x320 分辨率优化的 YOLOv8s 目标检测模型，在速度与精度之间实现平衡。

专为人体姿态估计设计的 YOLOv8s 模型，针对实时应用场景进行了优化。

在主机上为 Astra Machina 交叉编译 llama.cpp。

使用 SyNAP 框架构建在 NPU 上运行模型的 C++ 应用。

修改 SyNAP 框架，构建您自己的 C++ 推理应用。

在 SL1600 NPU 上使用分类模型识别并标注图像。

在 SL2600 NPU 上使用分类模型识别并标注图像。

以单个 llamafile 可执行文件在 Astra 上运行 Llama 3.2 1B。

在 Astra 上本地运行小型大语言模型。

了解文本嵌入的原理，并在 Synaptics Astra 设备上本地生成嵌入。

使用 Piper 在设备端将文字转换为自然的语音。

在开发板上构建 llama-cpp-python，用 Python 进行本地 LLM 推理。

导出 Ultralytics YOLOv8 姿态模型，并为 Astra NPU 编译。

在 SL1600 NPU 上使用 YOLO 查找并定位图像中的目标。

在 SL2600 NPU 上使用 YOLO 查找并定位图像中的目标。

使用 SyNAP 工具包编译您自己的模型，并在 SL1600 NPU 上运行。

使用 Torq 编译器转换您自己的模型，并在 SL2600 NPU 上运行。

使用 Whisper 和 Moonshine 在设备端将语音转写为文本。