2022-06-17
2018 ခုနှစ်၊ မေလ 16 ရက်နေ့တွင် Rockchip သည် ၎င်း၏ RK3399 ချစ်ပ်ပလပ်ဖောင်းပေါ်တွင် လုပ်ဆောင်နေသော နက်နဲသော သင်ယူမှုအခြေခံပစ်မှတ်ထောက်လှမ်းခြင်းနည်းပညာဖြေရှင်းချက်တစ်ခုကို ထုတ်ပြန်ခဲ့ပြီး၊ ၎င်းသည် အဆင့်မြင့် AI အတုထောက်လှမ်းရေးလုပ်ငန်းအတွက် တစ်ပိုင်းတစ်ပိုင်းဖြေရှင်းချက်ပေးစွမ်းနိုင်ပြီး Android နှင့် Linux စနစ်နှစ်မျိုးလုံးကို ပံ့ပိုးပေးနိုင်သည် . ပစ်မှတ်ကို ထောက်လှမ်းမှုနှုန်းသည် 8 frames/second ထက် ပိုသည်။
ဉာဏ်ရည်တုနယ်ပယ်တွင်၊ ပစ်မှတ်ကိုထောက်လှမ်းခြင်းသည် အလွန်ရေပန်းစားသော သုတေသနလမ်းညွှန်ချက်ဖြစ်သည်။ ပစ်မှတ်ရှာဖွေခြင်းဆိုသည်မှာ ပုံ သို့မဟုတ် ဗီဒီယိုများတွင် ပစ်မှတ်အရာဝတ္ထုများကို ရှာဖွေခြင်းနှင့် အမျိုးအစားခွဲခြားခြင်းကို ရည်ညွှန်းသည်။ စက်များအတွက်၊ AI ဉာဏ်ရည်တုအပလီကေးရှင်းများအတွက် စိန်ခေါ်မှုများစွာကို ဆောင်ကြဉ်းပေးသည့် RGB pixel matrix မှ အရာဝတ္ထုများ၏ စိတ်ကူးစိတ်သန်းနှင့် နေရာချထားခြင်းကို တိုက်ရိုက်ရယူရန် ခက်ခဲသည်။
လက်ရှိတွင်၊ ဉာဏ်ရည်တုနည်းပညာ၏ အဓိက သုတေသနနှင့် ဖွံ့ဖြိုးတိုးတက်ရေး လမ်းညွှန်ချက်များမှာ မျက်နှာထောက်လှမ်းခြင်း၊ လူ့ခန္ဓာကိုယ်ကို ထောက်လှမ်းခြင်း၊ မော်တော်ယာဉ် ထောက်လှမ်းခြင်း၊ နှစ်ဘက်မြင် ကုဒ်ထောက်လှမ်းခြင်းနှင့် လက်ဟန်ခြေဟန် မှတ်သားခြင်း စသည်တို့တွင် တွင်ကျယ်စွာ အသုံးပြုနိုင်သော၊ စောင့်ကြည့်ခြင်း၊ အသိဉာဏ်ရှိသော သယ်ယူပို့ဆောင်ရေး၊ လက်လီအသစ်၊ ၊ သဘာဝ အပြန်အလှန် ဆက်သွယ်မှု စသည်တို့သည် အရာဝတ္တုများကို ထောက်လှမ်းနိုင်သော နည်းပညာဖြစ်သည်။ နက်ရှိုင်းသောသင်ယူမှုကိုအခြေခံ၍ ပစ်မှတ်ရှာဖွေခြင်းနည်းပညာသည် မြင့်မားသောတိကျမှုနှင့် ကြံ့ခိုင်မှုရှိသော်လည်း တွက်ချက်မှုဆိုင်ရာဝန်သည်အတော်လေးကြီးမားပြီး ၎င်းကို မြှုပ်သွင်းထားသောကိရိယာများတွင် အချိန်အကြာကြီး လက်တွေ့ကျကျအသုံးချ၍မရနိုင်ပါ။
AI အတုထောက်လှမ်းရေးဈေးကွက်နှင့် နည်းပညာလိုအပ်ချက်များကို တုံ့ပြန်ရန်အတွက် Rockchip သည် စွမ်းဆောင်ရည်မြင့် RK3399 ပလပ်ဖောင်းတွင် MobileNet SSD ကွန်ရက်ကို အထူးကောင်းမွန်အောင်ပြုလုပ်ထားပြီး တိကျသော MobileNet SSD300 1.0 သည် 8 frames ထက်ပိုသော frame rate ဖြင့် လုပ်ဆောင်နိုင်စေရန်နှင့် MobileNet နှင့်အတူ၊ အနည်းငယ်နိမ့်သောတိကျမှုနှင့်ပိုမိုမြန်ဆန်သောအမြန်နှုန်း SSD300 0.75 သည် 11 fps ကျော်တွင်အလုပ်လုပ်သည်။ တစ်ပိုင်း-အချိန်နှင့်တပြေးညီ လည်ပတ်နေသော အမြန်နှုန်းသည် ပစ်မှတ်ထောက်လှမ်းခြင်း၏ အခြေခံ AI နည်းပညာကို မြှုပ်ထားသော terminal တွင် လက်တွေ့အသုံးပြုနိုင်စေရန် ဆောင်ကျဉ်းပေးပါသည်။
၎င်း၏ တစ်ပိုင်းတစ်ပိုင်း-အချိန်နှင့်တပြေးညီ လည်ပတ်နေသော မြန်နှုန်းအပြင်၊ ဤနည်းပညာဆိုင်ရာ ဖြေရှင်းချက်သည် Google ၏ TensorFlow Object Detection လေ့ကျင့်မှုမှ တင်ပို့သည့် TensorFlow Lite မော်ဒယ်ကို ပံ့ပိုးပေးပါသည်။ လက်ရှိတွင်၊ TensorFlow Object Detection ကို အခြေခံ၍ အသုံးပြုမှု အများအပြားရှိပြီး၊ လုပ်ငန်းခွင်တွင် အဆင်ပြေဆုံးနှင့် လူကြိုက်အများဆုံး ပစ်မှတ် Detection frameworks များထဲမှ တစ်ခုဖြစ်သည့် face to Object မှ Detection အမျိုးမျိုးကို လွှမ်းခြုံထားသည်။
RK3399 ချစ်ပ်ပလပ်ဖောင်းပေါ်အခြေခံ၍ Rockchip ၏နက်နဲသောသင်ယူမှုပစ်မှတ်ရှာဖွေခြင်းနည်းပညာဖြေရှင်းချက်သည် Android သို့မဟုတ် Linux စနစ်အား တစ်ချိန်တည်းတွင် ပံ့ပိုးပေးနိုင်သည်၊ ပစ်မှတ်ထောက်လှမ်းမှုနည်းပညာကို အသုံးပြု၍ AI ထုတ်ကုန်များ၏ အသုံးပြုသူအတွေ့အကြုံကို တိုးတက်စေကာ၊ သုတေသနနှင့် ဖွံ့ဖြိုးတိုးတက်ရေးလည်ပတ်မှုအား အလွန်တိုစေကာ ပိုမိုမြင့်မားသော AI များကို ကူညီပေးနိုင်သည် ဉာဏ်ရည်ထက်မြက်သော ထုတ်ကုန်များကို တတ်နိုင်သမျှ စျေးကွက်သို့ အမြန်ဆုံးရောက်ရှိစေရန်။