ИССЛЕДОВАНИЕ ОГРАНИЧЕНИЙ ПРИМЕНИМОСТИ МИКРОПРОЦЕССОРОВ РЯДА ЭЛЬБРУС ДЛЯ РЕШЕНИЯ ЗАДАЧ ТЕХНИЧЕСКОГО ЗРЕНИЯ
Аннотация
Одним из ключевых направлений развития области искусственного интеллекта явля-
ется направление технического зрения. Для ресурсоемких задач технического зрения соз-
даются высокопроизводительные вычислительные комплексы (ВК), использующие специа-
лизированные ускорители. Использование таких ускорителей обусловлено неспособностью
микропроцессоров (МП) общего назначения решить такие задачи за поставленное время
вследствие большой вычислительной нагрузки. Однако, в настоящее время, МП ряда Эль-
брус успешно используются для решения задач технического зрения как в серверном, так и
в бортовом режимах, а появление МП Эльбрус шестого поколения должно еще больше
повысить производительность на таких задачах. В силу дороговизны, большей сложности
и ограничений в использовании систем со специализированными ускорителями встает во-
прос об определении условий, в которых для решения рассматриваемых задач достаточно
использовать МП общего назначения, например из ряда Эльбрус, без специальных ускори-
телей. Одними из самых ресурсоемких задач в области технического зрения являются за-
дачи обнаружения и классификации объектов на изображении. Для обнаружения объектов
одним из популярных методов является метод Виолы-Джонса. Для решения задачи клас-
сификации как правило используются сверточные нейронные сети. На примере сетей
VGG16 и VGG19 разработаны математические модели вычислений применительно к ак-
туальным микропроцессорам ряда Эльбрус. С использованием разработанных моделей
обоснована теоретическая достаточность производительность микропроцессоров Эль-
брус для задач технического зрения. Также, на основе данных методов разработаны про-
граммы моделирования поиска и объектов на фото и в видеопотоке. Программы написаны
на языке C++ с использованием библиотеки OpenCV, ОПО Эльбрус, библиотеки Платфор-
мы-ГНС и базы данных соревнований ImageNet. С использованием реализованных программ
было проведено сравнительное тестирование на ряде ВК с процессорами Эльбрус, а также
ВК с процессорами intel и ускорителем в виде видеокарты Nvidia. На основе полученных
результатов показано, что для решения задачи поиска объектов на изображении выбран-
ным методом достаточно МП Эльбрус-8С для входных разрешений до 1920 х 1080, где
обеспечивается скорость обработки видеопотока более 20 кадров в секунду.
Литература
robots], Peredovye innovatsionnye razrabotki. Perspektivy i opyt ispol'zovaniya, problemy
vnedreniya v proizvodstvo [Advanced innovative developments. Prospects and experience of
use, problems of introduction into production], 2019, pp. 73-75.
2. Gondimalla A. [et al.]. Sparten: A sparse tensor accelerator for convolutional neural networks,
Proceedings of the 52nd Annual IEEE/ACM International Symposium on Microarchitecture,
2019, pp. 151-165.
3. Deng L. [et al.]. Model compression and hardware acceleration for neural networks: A comprehensive
survey, Proceedings of the IEEE, 2020, Vol. 108, No. 4, pp. 485-532.
4. Auten A., Tomei M., Kumar R. Hardware acceleration of graph neural networks, 2020 57th
ACM/IEEE Design Automation Conference (DAC). IEEE, 2020, pp. 1-6.
5. Kim A.K. [i dr.]. Mikroprotsessory i vychislitel'nye kompleksy semeystva" El'brus" [Microprocessors
and computing complexes of the Elbrus family]. Saint Petersburg: Izdatel'skiy
dom" Piter", 2013.
6. Limonova E.E. [i dr.]. Otsenka bystrodeystviya sistemy raspoznavaniya na VLIW arkhitekture
na primere platformy El'brus [Evaluation of the performance of the recognition system on the
VLIW architecture on the example of the Elbrus platform], Programmirovanie [Programming],
2019, No. 1, pp. 15-21.
7. Bocharov N.A., Zuev A.G., Slavin O.A. Proizvoditel'nost' mikroprotsessora El'brus-8SV dlya
resheniya zadach tekhnicheskogo zreniya v usloviyakh ogranicheniy energopotrebleniya [The
performance of the Elbrus-8SV microprocessor for solving problems of technical vision in
conditions of limited energy consumption], Izvestiya YuFU. Tekhnicheskie nauki [Izvestiya
SFedU. Engineering Sciences], 2021, No. 1 (218), pp. 259-271.
8. Bocharov N.A. i dr. Proizvoditel'nost' vychislitel'noy tekhniki s protsessorom «El'brus-8S» na
zadachakh robototekhnicheskogo kompleksa [The performance of computing equipment with
the Elbrus-8C processor on the tasks of the robotic complex], Nanoindustriya [Nanoindustry],
2018, No. 82, pp. 79.
9. Kozhin A.S. snovnye proektnye resheniya dlya protsessora «El'brus-16S» [Basic design solutions
for the processor "Elbrus-16S"], Nanoindustriya [Nanoindustry], 2020, Vol. 13, No. S4,
pp. 74-75.
10. Bychkov I.N., Lobanov I.N., Molchanov I.A. Vychislitel'naya tekhnika na osnove apparatnoprogrammnoy
platformy «El'brus» dlya perspektivnykh informatsionnykh sistem [ omputer
technology based on the hardware and software platform "Elbrus" for advanced information
systems], Pribory [Devices], 2018, No. 8, pp. 14.
11. Kozhin A.S., Neyman-zade M.I., Tikhorskiy V.V. Vliyanie podsistemy pamyati
vos'miyadernogo mikroprotsessora «El'brus-8S» na ego proizvoditel'nost' [The influence of the
memory subsystem of the eight-core microprocessor "Elbrus-8S" on its performance], Voprosy
radioelektroniki [Questions of radio electronics], 2019, No. 3, pp. 13-21.
12. Vizil'ter Yu.V. i dr. Obrabotka i analiz izobrazheniy v zadachakh mashinnogo zreniya [Image
processing and analysis in machine vision tasks], 2010.
13. Vizil'ter Yu.V., Gorbatsevich V.S., Zheltov S.Yu. Strukturno-funktsional'nyy analiz i sintez
glubokikh konvolyutsionnykh neyronnykh setey [Structural and functional analysis and synthesis
of deep convolution neural networks], Komp'yuternaya optika [Computer optics], 2019,
Vol. 43, No. 5, pp. 886-900.
14. Albawi S., Mohammed T.A., Al-Zawi S. Understanding of a convolutional neural network,
2017 international conference on engineering and technology (ICET). Ieee, 2017, pp. 1-6.
15. O'Shea K., Nash R. An introduction to convolutional neural networks, arXiv preprint
arXiv:1511.08458, 2015.
16. Krizhevsky A., Sutskever I., Hinton G.E. Imagenet classification with deep convolutional neural
networks, Advances in neural information processing systems, 2012, Vol. 25.
17. Simonyan K., Zisserman A. Very deep convolutional networks for large-scale image recognition,
arXiv preprint arXiv: 1409.1556, 2014.
18. Neyman-zade M.I., Korolev S.D. Rukovodstvo po effektivnomu programmirovaniyu na
platforme" El'brus" [Guide to effective programming on the Elbrus platform]. Moscow:
A « TSST, 2020.
19. Viola P. [et al.]. Robust real-time object detection, International journal of computer vision,
2001, Vol. 4, No. 34-47, pp. 4.
20. Biryukov A.A., Taranin M.V., Taranin S.V. Protsessor 1879VM6YA. Realizatsiya glubokikh
svertochnykh neyronnykh setey [Processor 1879VM6YA. Implementation of deep convolutional
neural networks], DSPA: Voprosy primeneniya tsifrovoy obrabotki signalov [DSPA: Issues
of application of digital signal processing], 2018, Vol. 8, No. 4, pp. 191-195.
21. Petrichkovich Ya. i dr. RoboDeus-50-yadernaya geterogennaya SnK dlya vstraivaemykh
sistem i robototekhniki [RoboDeus-50-nuclear heterogeneous SnC for embedded systems and
robotics], Elektronika: Nauka, tekhnologiya, biznes [Electronics: Science, Technology, Business],
2020, No. 7, pp. 52-63.
