Yolo Vision Shenzhen
Шэньчжэнь
Присоединиться сейчас

Высокопроизводительный периферийный ИИ, оптимизированный для обеспечения эффективности с помощью Axelera AI

Ultralytics с Axelera AI с целью обеспечения интеллектуальной обработки данных на периферии с помощью SDK Voyager® от Axelera, работающего на процессорах искусственного интеллекта Metis®.

Высокопроизводительный периферийный ИИ, оптимизированный для обеспечения эффективности с помощью Axelera AI

Об Axelera AI

Компания Axelera AI предлагает самые мощные и передовые в мире решения для искусственного интеллекта на периферии. Ее определяющая стандарты отрасли платформа искусственного интеллекта Metis® — комплексное аппаратно-программное решение для вычислений ИИ на периферии — делает приложения компьютерного зрения более доступными, мощными и удобными в использовании, чем когда-либо прежде.

Компания Axelera AI, головной офис которой расположен в Центре инноваций в области искусственного интеллекта на территории High Tech Campus в Эйндховене (Нидерланды), имеет научно-исследовательские подразделения в Бельгии, Швейцарии, Италии и Великобритании, а также представлена в 20 странах и имеет клиентов на всех континентах. Её команда экспертов в области программного и аппаратного обеспечения для искусственного интеллекта состоит из специалистов, пришедших из ведущих компаний в сфере ИИ и компаний из списка Fortune 500.

Почему стоит выбрать Axelera для Ultralytics YOLO?

РазвернитеYOLO Ultralytics YOLO , отличающиеся непревзойденной производительностью и эффективностью

Оптимизировано для Ultralytics YOLO

Полная YOLO «из коробки» — от YOLOv8 YOLO26 без необходимости ручной настройки.

Производительность на уровне Edge

Процессоры Metis AIPU и технология D-IMC: исключительная пропускная способность на периферии, минимальное энергопотребление.

Вывод в реальном времени

Вычисления на устройстве для всех пяти YOLO с реальной скоростью и надёжностью.

Более низкая стоимость владения

Стоимость электроэнергии в разы ниже, чем у графических процессоров, при этом производительность остается на прежнем уровне.

Простая интеграция

Одношаговый экспорт с помощьюPython Ultralytics Python . Остальное сделает Voyager SDK.

На будущее

Полная поддержкаYOLO Ultralytics YOLO с интеграцией новых архитектур по мере их выпуска.

Комплексное решение

Тренируйтесь с Ultralytics YOLO

Создавайте и дорабатывайте свои собственные YOLO на Ultralytics . От Ultralytics YOLOv8 YOLO26 — вам доступны передовые архитектуры, тщательно отобранные наборы данных и мощные инструменты оптимизации, которые помогут вам быстрее перейти к внедрению в производственную среду.

Экспорт в формат Axelera

Преобразуйте и квантуйте обученную YOLO для развертывания на процессорах Axelera Metis AIPU с помощью одной команды. В процессе экспорта модель компилируется в оптимизированный пакет формата .axm, содержащий топологию сети, веса и метаданные.

Развертывание на AIUP-устройствах Metis

Выполняйте инференцию на процессорах искусственного интеллекта Metis от Axelera, отличающихся высокой пропускной способностью и сверхнизким энергопотреблением. Благодаря четырём независимо программируемым ядрам на каждом чипе вы можете запускать до четырёх моделей параллельно без необходимости использования PyTorch этапе инференции.
Экспорт в формат Axelera

Техническая интеграция

Безупречная интеграция Ultralytics с аппаратным обеспечением Axelera AI

Реальная производительность процессоров Metis AIPU

Узнайте больше о производительности Ultralytics YOLOна аппаратном обеспечении Axelera с точки зрения частоты смены кадров, задержки, точности, задач и размеров моделей.

Развертывание на AIUP-устройствах Metis

Экспорт в формат Axelera

from ultralytics import YOLO
# Load a YOLO26 model
model = YOLO("[yolo26n.pt](http://yolo26n.pt)")
# Export to Axelera format
model.export(format="axelera")  # creates 'yolo26n_axelera_model' directory
yolo export model=yolo26n.pt format=axelera

Вывод с помощью модели Axelera

from ultralytics import YOLO
# Load the exported Axelera model
model = YOLO("yolo26n_axelera_model")
# Run inference
results = model("https://ultralytics.com/images/bus.jpg")
# Process results
for r in results:
    print(f"Detected {len(r.boxes)} objects")
    [r.show](http://r.show)()  # Display results
yolo predict model='yolo26n_axelera_model' source='https://ultralytics.com/images/bus.jpg'

Станьте Ultralytics

Присоединяйтесь к нашей партнерской экосистеме и откройте для себя новые возможности по внедрению передовых решений в области искусственного интеллекта