ניו-טק מגזין | יוני 2026 | מהדורה דיגיטלית

הוא אומן לזהות שמונה קטגוריות עצמים בלבד. קטגוריות העצמים: אדם ■ אופניים ■ רכב ■ אופנוע ■ אוטובוס ■ משאית ■ רמזור ■ תמרור עצור ■ המודל ממוצב כהתמחות בעלת היקף מוגדר עבור יישומים משיקים לעולם הרכב, ללא התחייבות להסמכת בטיחות. מאפיינים מרכזיים: קבוצת מחלקות מוגדרת עבור עולם הרכב ■ כמו Anchor ללא YOLO אותה ארכיטקטורת ■ במודל הכללי ) עם פלטים נפרדים Scales שלושה קני מידה ( ■ הערכה המותאמת לתמונות ולעצמים ■ אופייניים לעולם הרכב Edge FPGA תצורה מוכוונת ייצור עבור פריסת ■ מאפיינים ארכיטקטוניים משותפים והבדלים מעשיים שני המודלים חולקים עקרונות ארכיטקטוניים מרכזיים המאפשרים ביצועים, יעילות ותאימות לכלי הפיתוח: Anchor ללא YOLO ארכיטקטורה בסגנון ■ ) Scales בשלושה קני מידה ( פלטים נפרדים לסיווג וללוקליזציה ■ , 384×288 RGB רזולוציית קלט קבועה של ■ המותאמת לביצוע חישובי נקודה קבועה FPGA ) על Fixed - point ( Embedded פרמטריזציה מותאמת למערכות ■ sensAI 8.0 תאימות מלאה לשרשרת הכלים של ■ במסמך מציגה את ההבדלים המעשיים 1 טבלה המרכזיים בין שני המודלים.

קרדיט תמונת שער: « Lattice Semiconductor

פירוש מדדי ביצועים עבור בקצה המרוחק MOD יש לפרש מדדי ביצועים בהקשר המתאים. שונות מבנצ'מרקים בענן בשל Edge פריסות ,) Fixed - point שימוש בחישובי נקודה קבועה ( ביצוע דטרמיניסטי ומגבלות זיכרון. שיקולים מרכזיים: הם אינדיקטורים יחסיים בלבד mAP ערכי ■ ואינם מבטיחים ביצועי מערכת היקף מערך הנתונים וסינון הנתונים ■ משפיעים משמעותית על התוצאות סינון לפי גודל עצם משפר את הריאליזם של ■ הפריסה נכללות במדדים Quantization השפעות ■ המדווחים מדדים אלו מסייעים בקבלת החלטות תכנון מושכלות, אך אינם מהווים הבטחה לביצועי מערכת כוללים. סיכום זיהוי מרובה עצמים בקצה המרוחק דורש ארכיטקטורה וכלי פיתוח שתוכננו ליעילות אנרגטית, דטרמיניזם ותמיכה במחזורי חיים ארוכים. מערכת מאפשרת זיהוי עצמים מודרני על Lattice sensAI 8.0 חסכוני באנרגיה באמצעות פלטפורמה FPGA גבי מאוחדת ומודלים מוכווני ייצור. כלליים ומודלים MOD באמצעות שילוב של מודלי מסגרת Lattice משיקים לעולם הרכב, מספקת ברורה להתאמת צינורות זיהוי לצורכי היישום תוך שמירה על יעילות וביצועים בקצה המרוחק.

זיהוי מרובה עצמים באמצעות Lattice sensAI 8.0 מספקת פלטפורמה Lattice sensAI 8.0 מערכת משולבת לפריסת זיהוי מרובה עצמים בקצה המרוחק, תוך שילוב בין מודלים מוכווני ייצור, כלי עבודה המשקפים במדויק את אופן הפריסה חסכוניים במשאבים. FPGA ומאיצי מאפיינים מרכזיים: מאוחד עם כרטיסי מודל מובנים Model Zoo ■ וסימולציה המשקפים Quantization כלי ■ אמיתית על ההתקן Fixed - point התנהגות ML להאצת IP מהדר רשתות נוירונים ו- ■ חסכוני באנרגיה FPGA המותאמים ל- מאומתות להאצת Reference פלטפורמות ■ תהליכי פיתוח ואינטגרציה גישה משולבת זו מאפשרת למפתחים להעריך כבר בשלבי התכנון המוקדמים את יחסי הגומלין בין דיוק, ביצועים וניצול משאבים. מודלים כלליים ומשיקים לעולם הרכב לזיהוי מרובה עצמים Generic MOD , מודלי sensAI 8.0 בתוך חולקים בסיס ארכיטקטוני Automotive MOD ו משותף אך נבדלים בהיקף ובייעוד הפריסה. מודל מדגיש רוחב וגמישות, בעוד Generic MOD ה- מתמקד בקבוצת עצמים Automotive MOD שמודל מצומצמת ובהקשרים משיקים לעולם הרכב. Generic Multi-object Detection מודל מודל זה נבנה כבסיס רחב וגמיש. הוא אומן על בסיס ותומך במגוון COCO מאגר הנתונים המלא של תחומים כגון תשתיות חכמות, רובוטיקה ואבטחה. המודל שם דגש על גמישות והתאמה במסגרת חסכוני באנרגיה. FPGA מגבלות הפריסה על מאפיינים מרכזיים: קטגוריות של 80 , תמיכה רחבה בקטגוריות ■ COCO ולהתאמה לתחומים שונים Fine - tuning מתאים ל- ■ Anchor ללא YOLO ארכיטקטורה בסגנון ■ ) Scales בשלושה קני מידה ( פלטים נפרדים למחלקות ולתיבות תיחום ■ הערכה לא מקוונת באמצעות מערכי הבדיקה ■ COCO של Automotive-focused Multi- מודל object Detection מודל זה מותאם לתרחישי תפיסה משיקים לעולם הרכב, עם היקף מוגדר וממוקד יותר.

קרדיט: Lattice Semiconductor

White Paper – Multi - object Detection מקור: at the Far Edge with Lattice sensAI™ 8.0 DIMENSION

GENERIC MOD

AUTOMOTIVE MOD

Training scope Object classes

Broad, multi-domain COCO (80 classes)

Narrow, automotive-focused

8 defined classes

Evaluation

Offline, general-purpose Automotive-oriented

Primary goal

Flexibility

Predictability

ההבדלים המעשיים המרכזיים בין שני המודלים : 1 טבלה

«

LATTICE קרדיט:

Generic MOD )Offline Evaluation( Automotive MOD COCO 80-class validation: mAP@0.5 ≈ 0.39 COCO 8px-filtered: mAP@0.5 ≈ 0.61 COCO automotive-class subset: mAP@0.5 ≈ 0.44 COCO 20px-filtered: mAP@0.5 ≈ 0.71

סיכום מדדי ביצועים נבחרים : 2 טבלה

«

LATTICE קרדיט:

41 l New-Tech Magazine