Loading [MathJax]/jax/output/CommonHTML/config.js

开发者社区

文档建议反馈控制台

文章/答案/技术大牛

发布

社区首页 >专栏 >Raspberry Pi 即将迎来 Vulkan 的支持

Raspberry Pi 即将迎来 Vulkan 的支持

作者头像

Debian中国

发布于 2020-02-17 02:21:40

发布于 2020-02-17 02:21:40

1.3K0

举报

文章被收录于专栏：Debian中国Debian中国

Raspberry Pi 基金会表示，他们正在致力于为 Raspberry Pi 提供开源 Vulkan 驱动程序的支持。

Vulkan 是“新一代图形和计算 API，可提供对现代 GPU 的高效、跨平台访问”。它是 OpenGL 的下一代版本，和 DirectX 12 一样都是基于 AMD 私有的 Mantle API，不同的是 Vulkan 是开源的图形 API，它承诺通过给予开发者访问硬件底层的能力而大幅提升 3D 应用的性能。

对 Vulkan 的支持现在在 Android 智能手机中很常见。三星就长期支持 Vulkan，以改善 Galaxy 设备上的图形和游戏性能。Vulkan 也有得到 SteamOS 上类似 Valve 等的重量级游戏支持。

不过，Vulkan 才刚刚进入 Raspberry Pi，官方不久前才宣布 Raspberry Pi 4 符合 OpenGL ES 3.1——它是一个 API 规范，允许开发人员使用图形硬件或 GPU。

Raspberry Pi 基金会联合创始人 Ebert Upton 在上个月发布了 Raspberry Pi 4 Model B 的 OpenGL ES 3.1 里程碑，它具有 Broadcom BCM2711，四核 Cortex-A72 处理器和 Broadcom VideoCore VI GPU。

Raspberry Pi 设备的图形里程碑是使用 Raspberry Pi 4 的 VideoCore VI GPU 渲染 RGB 三角形。Upton 提到，在 Raspberry Pi Model B 4 上使用此 GPU 已经实现了第一个三角形。

Upton 再次强调，这仅仅是 Raspberry Pi 上 Vulkan 开发过程的开始。“早在 2018 年，社区就一直在为 Vulkan 提供支持（最初是在 VideoCore IV 上）而努力，Igalia 仅在开发新驱动程序上工作了几周，在将实际的驱动程序交付用户之前，我们还有很长的发展路线图。因此，敬请期待我们和 Igalia 的更多消息，接下来将会有进一步发展。”

本文参与腾讯云自媒体同步曝光计划，分享自作者个人站点/博客。

原始发表：2020-02-05，如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自作者个人站点/博客前往查看

如有侵权，请联系 cloudcommunity@tencent.com 删除。

本文参与腾讯云自媒体同步曝光计划，欢迎热爱写作的你一起参与！

评论

登录后参与评论

暂无评论

编辑精选文章

换一批

万字详解高可用架构设计

Go 开发者必备：Protocol Buffers 入门指南

10分钟带你彻底搞懂分布式链路跟踪

CVPR2019 | 斯坦福学者提出GIoU，目标检测任务的新Loss

网络安全神经网络深度学习人工智能

作者 | Slumbers，毕业于中山大学，深度学习工程师，主要方向是目标检测，语义分割，GAN

AI科技大本营

2019/03/19

1.4K0

CVPR2019 | 斯坦福学者提出GIoU，目标检测任务的新Loss

CVPR2019-目标检测分割技术进展

https 网络安全机器学习神经网络深度学习

CVPR 2019 没有出现像Faster RCNN，YOLO这种开创性的工作，基于现有方案和框架的改进为主，技术进步着实有些缓慢，或许也代表方案逐步趋于成熟。本文重点介绍如下几个改进方法：GA-RPN、GIOU、FSAF、Mask Score RCNN

OpenCV学堂

2019/06/14

1.3K0

CVPR2019-目标检测分割技术进展

【目标检测】开源 | CVPR2020 | 将DIoU和CIoU Loss用于目标检测的Bbox回归，表现SOTA

边界盒回归是目标检测的关键步骤。在现有的方法中，虽然n范数损失被广泛地应用于包围盒回归，但不适合用于评估度量，即IoU。最近，有学者提出了IoU损失和广义IoU（GIoU）损失来衡量IoU度量，但仍存在收敛速度慢和回归不准确的问题。本文提出了一个Distance-IoU (DIoU) loss，合并了预测框和目标框之间的标准化距离，在训练中比IoU和GIoU loss收敛得更快。此外，本文还总结了边界盒回归中的三个几何因素(重叠面积、中心点距离和纵横比)，并以此为基础提出了一个Complete IoU（CIoU）损失，从而加快了收敛速度，提高了性能。通过将DIoU和CIoU损失合并到YOLOv3、SSD和Faster RCNN等最新的目标检测算法，在IoU度量方面和GIoU度量方面实现了显著的性能提高。而且DIoU很容易地应用到非最大抑制(non-maximum suppression,NMS)作为准则，进一步促进性能提升。

CNNer

2020/06/19

9630

【目标检测】开源 | CVPR2020 | 将DIoU和CIoU Loss用于目标检测的Bbox回归，表现SOTA

目标检测损失函数Loss大盘点

https 网络安全 github git 开源

在one-stage检测算法中，会出现正负样本数量不平衡以及难易样本数量不平衡的情况，为了解决则以问题提出了focal loss。

Amusi

2020/09/23

2K0

目标检测损失函数Loss大盘点

目标检测算法之ICCV2019 Gaussian YOLOv3

编程算法图像识别神经网络深度学习人工智能

关于YOLOv3可以看一下我前面的推文讲解：YOLOV3点这里。前面提到过，YOLOv3在实时性和精确性都是做的比较好的，并在工业界被广泛应用。当前的目标检测算法，大都在网络结构，Anchor，IOU上做了大量的文章，而在检测框的可靠性上做文章的却非常少。所以，Gaussian YOLOv3它来了。论文地址为：点这里。并且作者也开放了源码，地址为：点这里。所以本文就带大家来学习一下这个算法。

BBuf

2019/12/11

1K0

目标检测算法之ICCV2019 Gaussian YOLOv3

目标检测算法之AAAI 2020 DIoU Loss 已开源(YOLOV3涨近3个点)

https 网络安全

前面介绍了CVPR 2019的GIoU Loss,同时GIoU Loss里面也引入了IoU Loss，这个首先需要明确一下。然后AAAI 2020来了一个新的Loss，即是本文要介绍的DIoU Loss。论文原文地址见附录。

BBuf

2019/12/24

6.1K0

【深度学习】目标检测

图像识别机器学习深度学习人工智能编程算法

目标检测（Object Detection）的任务是找出图像中所有感兴趣的目标（物体），确定它们的类别和位置，是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态，加上成像时光照、遮挡等因素的干扰，目标检测一直是计算机视觉领域最具有挑战性的问题。

杨丝儿

2022/03/01

2.8K0

目标检测中 Anchor 与 Loss 计算

2023腾讯·技术创作特训营第三期

对于一般的目标检测 loss 计算，通常分为几部分。比如 yolo 系列分为 objectness（是否包含目标）、classification（目标分类）、boundingbox-regression（目标位置）。其中，每个样本都需要计算 objectness 得分的损失，正样本需要计算 classification 和 bbox-regression 损失，其中每种损失又有不同的计算方式和组合方法，比如 bbox-regression 有 D_IoU、G_IoU、C_IoU 等等，组合方法有 Focal Loss 等等。但是这些不是我们这篇文章关注的重点。

泽霖

2023/11/29

4250

目标检测综述

这篇综述是我统计信号处理的作业，在这里分享一下，将介绍计算机视觉中的目标检测任务，论述自深度学习以来目标检测的常见方法，着重讲yolo算法，并且将yolo算法与其他的one-stage以及two-stage方法进行比较。

努力努力再努力F

2019/03/11

1.1K0

CVPR2019:使用GIoU作为目标检测新loss

编程算法图像识别神经网络深度学习人工智能

正如作者论文中的这一句，如今许多人都专注如何设计一个更好的backbone或者更好地提取特征来提高检测模型的性能，但是他们却忽略了可以直接用IoU/GIoU来代替L范数损失函数，而作者也是以此为出发点提出了GIOU——generalized IoU

CristianoC

2020/06/02

1K0

新算法 | 基于DIou改进的YOLOv3目标检测

机器学习神经网络深度学习人工智能

因此DIoU中对anchor框和目标框之间的归一化距离进行了建模。直观的展示如下图所示：

OpenCV学堂

2020/03/10

1.8K0

目标检测（Object Detection）

人脸识别图像识别机器学习神经网络深度学习

目标检测（Object Detection）的任务是找出图像中所有感兴趣的目标（物体），确定它们的类别和位置，是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态，加上成像时光照、遮挡等因素的干扰，目标检测一直是计算机视觉领域最具有挑战性的问题。

全栈程序员站长

2022/09/14

7.7K0

目标检测（Object Detection）

目标检测算法之 Yolo 系列

机器学习神经网络深度学习人工智能图像识别

引入 R-CNN 基本结构和原理 R-CNN 的不足与改进 SPP 和 ROI Fast R-CNN Faster R-CNN YOLO V1 主要贡献和优势基本原理 Anchor box 的设计

SIGAI学习与实践平台

2019/07/30

1.2K0

目标检测算法之 Yolo 系列

基于深度学习的目标检测算法面试必备（RCNN~YOLOv5）

机器学习深度学习人工智能编程算法图像识别

目标检测算法主要包括：【两阶段】目标检测算法、【多阶段】目标检测算法、【单阶段】目标检测算法

AI算法与图像处理

2021/05/07

3.8K0

AAAI 2020 | DIoU和CIoU：IoU在目标检测中的正确打开方式

论文:Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression

VincentLee

2020/01/24

4.1K0

AAAI 2020 | DIoU和CIoU：IoU在目标检测中的正确打开方式

目标检测算法之RetinaNet（引入Focal Loss）

编程算法图像识别 https 网络安全机器学习

今天来介绍一下目标检测算法中RetinaNet，这篇论文是CVPR2018的作品，Kaiming He大神也是作者之一，同时这篇论文提出的Focal Loss也对工程上训练更好的目标检测模型做出了很大贡献，所以我们尝试理解一下这篇论文的思想。论文地址为：https://arxiv.org/pdf/1708.02002.pdf

BBuf

2019/12/04

2.4K0

目标检测算法之RetinaNet（引入Focal Loss）

YOLOv3 提升 5.91 mAP，IoU在目标检测中的正确打开方式

论文:Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression

CV君

2020/02/14

2.2K0

CVPR2019目标检测方法进展综述

四期飞跃计划还剩最后一个名额，联系小编，获取你的专属算法工程师学习计划（联系小编SIGAI_NO2）

SIGAI学习与实践平台

2019/03/19

5K0

CVPR2019目标检测方法进展综述

【从零开始学习YOLOv3】8. YOLOv3中Loss部分计算

神经网络深度学习人工智能图像识别日志服务

Github地址: https://github.com/ultralytics/yolov3

BBuf

2020/04/01

2.5K0

深度学习与CV教程(13) | 目标检测 (SSD,YOLO系列)

人工智能深度学习图像识别

本系列为斯坦福CS231n 《深度学习与计算机视觉(Deep Learning for Computer Vision)》的全套学习笔记，对应的课程视频可以在这里查看。更多资料获取方式见文末。

ShowMeAI

2022/06/09

1.7K0

深度学习与CV教程(13) | 目标检测 (SSD,YOLO系列)

相关推荐

CVPR2019 | 斯坦福学者提出GIoU，目标检测任务的新Loss

更多 >

C you again 的博客0

LV.1

这个人很懒，什么都没有留下～

作者相关精选

换一批

加入讨论

的问答专区 >

派大星的数据屋0

1高级数据分析师擅长5个领域

相关课程

一站式学习中心 >

Python教程-Django框架快速入门到实战

数字化IT从业者知识体系