对比

EyeQ™6H vs. NVIDIA Jetson AGX Orin

EyeQ™6H vs.
NVIDIA Jetson AGX Orin

EyeQ™6H 在边缘侧实现高性能 AI 运算，支持部署深度神经网络（DNN）、 Transformer 模型及多种主流机器学习框架，能够实时完成图像分类、目标检测与图像分割等任务。作为我们迄今为止最先进的系统集成芯片（SoC）， EyeQ™6H 可将原始传感器数据高效转化为精准且可执行的洞察，赋能驾驶自动化系统做出快速、可靠的决策。

图像分类

TOPS

34 TOPS

275 TOPS

单帧延迟(msec)

模式

Power

Power (MaxQ)

Unconstrained (MAXN)

ResNet-50

0.5 msec

1.64 msec

0.64 msec

Power 模式 指芯片在原始功耗状态下测试，无任何修改。
Unconstrained 模式 指在无外部限制功耗或散热条件下测试。

* Nvidia 与 MLPerf 公布的公开数据。

Vision Transformer

模式

Power

Unconstrained

EfficientViT-B1

224x224

9.1M

0.52G

0.564 msec

1.48 msec

EfficientViT-B2

224x224

24M

1.6G

0.932 msec

2.63 msec

*EyeQ™6H 支持 Int8 精度计算，并通过先进的 QAT（量化感知训练）和 PTQ（训练后量化）技术，在性能、能效与精度之间实现理想平衡。

** Orin 数据基于 FP16。

图像分类

Power 模式 指芯片在原始功耗状态下测试，无任何修改。
Unconstrained 模式 指在无外部限制功耗或散热条件下测试。

* Nvidia 与 MLPerf 公布的公开数据。

Vision Transformer

*EyeQ™6H 支持 Int8 精度计算，并通过先进的 QAT（量化感知训练）和 PTQ（训练后量化）技术，在性能、能效与精度之间实现理想平衡。

** Orin 数据基于 FP16。

高效架构设计

凭借独特且高度高效的多元加速器架构， EyeQ™ 在低功耗的前提下，实现了业界领先的计算机视觉性能。

异构计算

为每项任务匹配最合适的计算内核

从通用 CPU 到高计算密度的加速器，包括深度学习神经网络，能灵活调度不同类型的处理单元，最大化计算效率与性能表现。

CPU

Central Processing Unit

MPC

Multi-threaded Processor Cluster

More versatile than a GPU, and with higher efficiency than any CPU

VMP

Vector Microcode Processor

A wide vector (VLIW and SIMD) machine with exceptional performance for short integral types common in computer vision and deep learning algorithms.

PMA

Programmable Macro Array

A CGRA dataflow machine. Its unique architecture delivers outstanding performance for dense computer vision and deep learning algorithms that are unachievable in classic DSP architecture.

XNN

Deep Learning Accelerator

Dedicated high-performance AI engine. The main source of horse power for convolutional neural networks.

GENERAL-PURPOSE COMPUTE

CPU