Công nghệ nhận dạng mống mắt bằng AI đang chuyển từ đám mây sang các thiết bị đầu cuối.
Trước đây, việc nhận dạng mống mắt bằng AI có độ chính xác cao thường dựa vào sức mạnh tính toán của đám mây, điều này tạo ra các nút thắt ứng dụng cố hữu trong các tình huống có quyền truy cập mạng hạn chế hoặc yêu cầu bảo mật nghiêm ngặt. Làm thế nào để di chuyển các khả năng thuật toán đến các thiết bị biên trong khi vẫn duy trì độ chính xác nhận dạng đã trở thành một thách thức kỹ thuật phổ biến đối với ngành.
Homsh đã cung cấp giải pháp của riêng mình.
I. Nền tảng NPU nội địa: Cho phép nhận dạng mống mắt đầu cuối
Gần đây, nhóm R&D của Homsh đã hoàn thành việc triển khai và xác minh mô hình nhận dạng mống mắt nhẹ do công ty tự phát triển trên nền tảng NPU nhúng. Phần cứng mục tiêu được chọn là một bo mạch phát triển dựa trên chip Rockchip RK3588—một sản phẩm đại diện cho các chip điện toán biên hiệu năng cao trong nước, áp dụng kiến trúc aarch64 và được trang bị một đơn vị tính toán NPU chuyên dụng.
Nhóm đã xác minh một cách có hệ thống hai tuyến kỹ thuật trên nền tảng này: một giải pháp suy luận chung dựa trên ONNX Runtime và một giải pháp tăng tốc NPU dựa trên RKNN. Cả hai tuyến đều đã hoàn thành việc tải mô hình, kết nối liên kết suy luận và xác minh chức năng, và giao diện người dùng đồ họa hỗ trợ có thể thực hiện đánh giá ngoại tuyến và chụp ảnh thời gian thực một cách bình thường.
Điều này có nghĩa là thuật toán nhận dạng mống mắt cốt lõi của Homsh hiện có khả năng chạy độc lập trên các chip biên nội địa.
II. Cải thiện tốc độ 3,7x: Hiệu ứng tăng tốc NPU đáng chú ý
Dữ liệu hiệu suất cung cấp minh họa trực quan nhất.
Trong điều kiện thử nghiệm tiêu chuẩn, mô hình ONNX đạt độ chính xác nhận dạng mống mắt 100% với tốc độ khung hình suy luận ổn định khoảng 1 FPS. Ngược lại, mô hình RKNN được tăng tốc bởi NPU thấy tốc độ khung hình suy luận của nó tăng lên 3,64 FPS, thể hiện sự cải thiện tốc độ khoảng 3,7 lần.
Đằng sau bước nhảy vọt về hiệu suất này là sự thành công của nhóm trong việc vượt qua nhiều rào cản kỹ thuật, bao gồm xuất mô hình RKNN, khả năng tương thích kiến trúc thư viện cơ bản và các định nghĩa ký hiệu bị thiếu. Từ việc cấy ghép thuật toán đến thích ứng phần cứng, mọi bước đều đã xác minh sự trưởng thành của khả năng tích hợp theo chiều dọc của Homsh trong "thuật toán—chip—thiết bị đầu cuối".
Hiện tại, nhóm đang tiến hành nghiên cứu sâu hơn về việc tối ưu hóa độ chính xác của mô hình RKNN, nhằm khôi phục độ chính xác nhận dạng ở mức tương đương với phiên bản ONNX trong khi vẫn duy trì lợi thế về tốc độ khung hình cao.
III. Triển khai biên: Mở khóa nhiều khả năng ứng dụng hơn
Giá trị của trí tuệ biên vượt xa tốc độ.
Khi các khả năng nhận dạng mống mắt được tích hợp vào một bo mạch phát triển nhỏ, nó sẽ thoát khỏi sự phụ thuộc vào sức mạnh tính toán của đám mây và kết nối mạng ổn định. Đối với các tình huống có điều kiện mạng hạn chế như mỏ dưới lòng đất, công trường xây dựng từ xa và thực thi pháp luật di động, điều này có nghĩa là một giải pháp thực sự khả thi.
Đồng thời, ở chế độ triển khai biên, dữ liệu sinh trắc học có thể được đối sánh mà không cần tải lên đám mây, điều này tự nhiên phù hợp với các tình huống ứng dụng có yêu cầu bảo mật dữ liệu nghiêm ngặt như các điểm giao dịch tài chính và dịch vụ chính phủ.
Homsh sẽ tiếp tục thúc đẩy việc thích ứng sâu hơn của các thuật toán nhẹ với các chip biên nội địa, cung cấp cho các đối tác các giải pháp biên hiệu năng cao, chi phí thấp và dễ tích hợp để nhận dạng mống mắt.
IV. Điểm nổi bật về kỹ thuật
Tổng quan nhanh về các điểm nổi bật về kỹ thuật
Nền tảng mục tiêu: Rockchip RK3588
Loại mô hình: Nhận dạng mống mắt + Nhận dạng khuôn mặt
Độ chính xác ONNX: 100%
Tốc độ khung hình RKNN: 3,64 FPS
Xác minh chức năng: Đánh giá ngoại tuyến, chụp thời gian thực, chế độ nhận dạng 1:N
Từ R&D thuật toán đến thích ứng chip, từ triển khai đám mây đến triển khai biên, Homsh đang mở rộng ranh giới ứng dụng của công nghệ nhận dạng mống mắt từng bước.
Giúp nhận dạng nhanh hơn, gần hơn và an toàn hơn.
Để biết thêm chi tiết kỹ thuật hoặc để thảo luận về các cơ hội hợp tác, vui lòng liên hệ với chúng tôi.
