0
  • 聊天消息
  • 系统消息
  • 评论与回复
登录后你可以
  • 下载海量资料
  • 学习在线课程
  • 观看技术视频
  • 写文章/发帖/加入社区
会员中心
创作中心

完善资料让更多小伙伴认识你,还能领取20积分哦,立即完善>

3天内不再提示

兼容OpenVINO™及各类预训练深度神经网络模型的高性能开发板

研扬科技AAEON 2023-09-04 16:22 次阅读

作为研扬UP Squared Pro系列的第三代产品UP Squared Pro 7000通过高性能计算能力、升级的电路板设计和扩展的显示接口,提供更大的开发潜力。

060beb3a-4afc-11ee-a20b-92fbcf53809c.jpg

作为该系列中首款采用Intel Core/Atom/N系列处理器(代号为 Alder Lake-N)的产品,UP Squared Pro 7000是首款配备板载LPDDR5内存的产品,提高了I/O的运行速度。此外,UP Squared Pro 7000在图像处理和显示功能方面都有显著提升,支持MIPI CSI照相机,并搭配Intel UHD显卡,可同时连接三台4K显示器。

功 能 特 点

1.4倍以上CPU性能提升

UP Squared Pro 7000

UP Squared Pro 7000采用Intel Core/Atom/N-系列处理器,CPU性能是上一代的1.4倍。UP Squared Pro 7000拥有多达8个Gracemont内核,支持Intel Distribution of OpenVINO Toolkit,以及第12代Intel处理器的UHD显卡,拥有强大的计算能力、优化的推理引擎和图像处理功能,提供绝佳的智能解决方案。

同步支持3台4K显示器

UP Squared Pro 7000

UP Squared Pro 7000配备HDMI 2.0b、DP 1.2端口和通过USB Type-C的DP 1.4a,拥有出色的显示接口。UP Squared Pro 7000整合了GPU和多重输出,可以同步支持三个4K显示器,非常适合用于数字广告牌等视觉导向型的相关应用。

双倍的高速系统内存

UP Squared Pro 7000

作为UP Squared Pro系列中第一块配备板载LPDDR5系统内存的板卡,UP Squared Pro 7000搭载了16GB的系统内存,是上一代的两倍。此外,快达4800MHz的内存速度让用户的带宽和数据传输速度加倍,同时也更加省电。

全面的I/O升级

UP Squared Pro 7000

除了维持UP Squared Pro系列4" x 4"的紧凑外形之外,UP Squared Pro 7000在电路板设计上更为精实。UP Squared Pro 7000配备了两个2.5GbE、三个 USB 3.2和一个 FPC 端口,可外接更多像是MIPI CSI 相机的外围设备。将这些特色与板载LPDDR5及性能强大的CPU相结合,非常适合用于智慧工厂机器人方面的视觉解决方案。

产 品 简 介

07917e5c-4afc-11ee-a20b-92fbcf53809c.jpg07a959aa-4afc-11ee-a20b-92fbcf53809c.jpg07c9e1ca-4afc-11ee-a20b-92fbcf53809c.jpg07d901c8-4afc-11ee-a20b-92fbcf53809c.jpg07f2c82e-4afc-11ee-a20b-92fbcf53809c.jpg

Intel Atom x7000E系列,Intel处理器N系列 和Intel Core i3-N305处理器(代号为Alder Lake N)

板载LPDDR5内存,最大支持16GB

板载eMMC内存,最大支持64GB

2.5GbE x 2 (Inteli226-IT)

USB 3.2 x 3 (Type A x 2, Type C x 1)

40针GPIO x 1

DP 1.2 x 1 / DP 1.4a x 1 / HDMI 2.0b

RS232 / 422 / 485 wafer连接器 x 2

M.2 2230 E-Key / M.2 2280 M-Key / M.2 3052 B-Key x 1

SATA3 x 1

TPM 2.0

12V直流输入,6A

声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉
  • 电路板
    +关注

    关注

    140

    文章

    4967

    浏览量

    98175
  • 神经网络
    +关注

    关注

    42

    文章

    4773

    浏览量

    100882
  • 网络
    +关注

    关注

    14

    文章

    7579

    浏览量

    88927
  • 模型
    +关注

    关注

    1

    文章

    3259

    浏览量

    48907
收藏 人收藏

    评论

    相关推荐

    【飞凌嵌入式OK3576-C开发板体验】RKNN神经网络算法开发环境搭建

    download_model.sh 脚本,该脚本 将下载一个可用的 YOLOv5 ONNX 模型,并存放在当前 model 目录下,参考命令如下: 安装COCO数据集,在深度神经网络算法中,
    发表于 10-10 09:28

    FPGA在深度神经网络中的应用

    随着人工智能技术的飞速发展,深度神经网络(Deep Neural Network, DNN)作为其核心算法之一,在图像识别、语音识别、自然语言处理等领域取得了显著成果。然而,传统的深度神经网络
    的头像 发表于 07-24 10:42 718次阅读

    如何使用经过训练神经网络模型

    使用经过训练神经网络模型是一个涉及多个步骤的过程,包括数据准备、模型加载、预测执行以及后续优化等。
    的头像 发表于 07-12 11:43 1035次阅读

    残差网络深度神经网络

    残差网络(Residual Network,通常简称为ResNet) 是深度神经网络的一种 ,其独特的结构设计在解决深层网络训练中的梯度消失
    的头像 发表于 07-11 18:13 1122次阅读

    怎么对神经网络重新训练

    重新训练神经网络是一个复杂的过程,涉及到多个步骤和考虑因素。 引言 神经网络是一种强大的机器学习模型,广泛应用于图像识别、自然语言处理、语音识别等领域。然而,随着时间的推移,数据分布可
    的头像 发表于 07-11 10:25 474次阅读

    pytorch中有神经网络模型

    处理、语音识别等领域取得了显著的成果。PyTorch是一个开源的深度学习框架,由Facebook的AI研究团队开发。它以其易用性、灵活性和高效性而受到广泛欢迎。在PyTorch中,有许多训练
    的头像 发表于 07-11 09:59 723次阅读

    PyTorch神经网络模型构建过程

    PyTorch,作为一个广泛使用的开源深度学习库,提供了丰富的工具和模块,帮助开发者构建、训练和部署神经网络模型。在
    的头像 发表于 07-10 14:57 522次阅读

    人工神经网络模型训练的基本原理

    人工神经网络(Artificial Neural Networks,简称ANNs)是一种受生物神经网络启发而构建的数学模型,用于模拟人脑处理信息的方式。它在机器学习和深度学习领域具有广
    的头像 发表于 07-05 09:16 700次阅读

    深度神经网络与基本神经网络的区别

    在探讨深度神经网络(Deep Neural Networks, DNNs)与基本神经网络(通常指传统神经网络或前向神经网络)的区别时,我们需
    的头像 发表于 07-04 13:20 952次阅读

    卷积神经网络训练的是什么

    训练过程以及应用场景。 1. 卷积神经网络的基本概念 1.1 卷积神经网络的定义 卷积神经网络是一种前馈深度学习
    的头像 发表于 07-03 09:15 437次阅读

    深度神经网络模型cnn的基本概念、结构及原理

    ,其核心是构建具有多层结构的神经网络模型,以实现对复杂数据的高效表示和处理。在众多深度学习模型中,卷积神经网络(CNN)因其在图像识别等领域
    的头像 发表于 07-02 10:11 9776次阅读

    深度神经网络模型有哪些

    模型: 多层感知器(Multilayer Perceptron,MLP): 多层感知器是最基本的深度神经网络模型,由多个全连接层组成。每个隐藏层的
    的头像 发表于 07-02 10:00 1508次阅读

    利用深度循环神经网络对心电图降噪

    进行训练。我们还研究了使用合成数据 集如何影响网络性能。 我们建议使用深度循环去噪神经网络(DRDNN) 对心电图信号进行去噪。它们是一种
    发表于 05-15 14:42

    助听器降噪神经网络模型

    抑制任务是语音增强领域的一个重要学科, 随着深度神经网络的兴起,提出了几种基于深度模型的音频处理新方法[1,2,3,4]。然而,这些通常是为离线处理而
    发表于 05-11 17:15

    利用神经网络对脑电图(EEG)降噪

    数据与干净的EEG数据构成训练数据,并且分成训练、验证和测试数据集。 绘制有噪声EEG数据与干净的EEG数据 显然,传统的任何算法很难将EEG数据从噪声中滤出来。 定义神经网络结构,之所以选择长短期记忆
    发表于 04-30 20:40