XC5VLX85-2FF1153C_XC5VSX240T-2FFG1738C导读
Xilinx 器件可通过精选芯片工艺和功耗架构为所有产品组合实现高电源效率，包括 Spartan-6 系列及 7 系列、UltraScale? 以及 UltraScale+? FPGA 和 SoC。以下是特定产品组合功能的详细信息、芯片工艺优势和基准比较。对于每一代产品，Xilinx 都不断提升其节电功能，包括工艺改进、架构创新、电压缩放策略以及高级软件优化策略等。电源估算、热模型、全面软件支持和演示板现已开始针对所有产品系列公开提供。
如图1所示，某些外部因素对功耗具有呈指数的影响;环境的微小变化即可造成预估功耗的重大变化。使用功耗估计工具虽难以达到精准，但仍然可以通过确认高功耗模块来为功耗优化提供极好的指导。功耗估计 功耗估计是低功耗设计中的一个关键步骤。虽然确定FPGA功耗的最准确方法是硬件测量，但功耗估计有助于确认高功耗模块，可用于在设计阶段早期制定功耗预算。
XC5VLX85-2FF1153C_XC5VSX240T-2FFG1738C
XC5VSX50T-2FFG1136C
但是，有机遇就会有挑战。AI 推断作为采用经训练的机器学习算法开展预测的过程，无论是部署在云端、边缘还是终端，都要求在严格的功耗预算下提供优异的处理性能。普遍的看法认为，仅凭 CPU 难以满足这一要求，需要某种形式的计算加速才能更高效地处理 AI 推断工作负载。
。再加上大小写（大写/小写/全大全小/小型大写）、斜体（意大利体/罗马体）、缩放体（横向缩放）、粗细、指定大小（显示/文本）、波痕体、衬线（总体分为衬线体和无衬线体），这一数量可以扩充到数百万，使得文本识别成为机器学习领域中一个振奋人心的专业学科。随着人类语言书写形式的演进，已经发展出数千种独特的字体系。
由于AMD在今年1月的CES上推出锐龙4000系列笔记本平台APU处理器，为了方便消费者识别并搜索，这次Zen 3架构处理器系列直接被命名为5000系列。这次一共发布了4款CPU，分别是Ryzen9 5950X、Ryzen9 5900X、Ryzen7 5800X和Ryzen5 5600X。
Softnautics 采用了赛灵思 Vitis AI 堆栈并运用该软件提供加速，开发出混合应用，同时实现了 LSTM 功能，通过将 TensorFlow-lite 移植/迁移到 ARM 进行有效的序列预测。图像预处理/后处理通过 Vivado 使用 HLS 实现，而 Vitis 的作用是使用连接文本提议网络（CTPN）完成推断。它使用 N2Cube 软件在处理侧（PS）运行。最终，Softnautics 将该解决方案用于视频流水线中的实时场景文本检测，并使用可靠的数据集对模型进行改进。
XC5VLX85-2FF1153C_XC5VSX240T-2FFG1738C
XC4VLX40-10FF668I
XC4VLX200-11FFG1513I XC4VLX200-12FF1513C XC4VLX200-12FFG1513C XC4VLX200-10FFG1513C XC4VLX200-10FFG1513I XC4VLX200-11FF1513C XC4VLX40-10FF1148I XC4VLX25-11FFG668C XC4VLX40-10FF668I XC4VLX40-10FF1148C XC4VLX25-12FFG668C XC4VLX40-10FF668C XC4VLX25-12SFG363C XC4VLX25-12FF668C XC4VLX25-11SF363I XC4VLX60-10FF1148I XC4VLX25-11SFG363I XC4VLX25-11SF363C XC4VLX25-11FF668I XC4VLX25-11SFG363C XC4VLX25-11FFG668I XC4VLX25-11FF668C XC4VLX160-10FFG1148I 。
XC6VLX240T-1FF784I XC6VLX195T-2FF1156I XC6VLX195T-2FF1156C XC6VLX195T-2FF784I XC6VLX195T-2FF784C XC6VLX130T-3FF1156C XC6VLX130T-2FFG484C XC6VLX195T-3FFG1156C XC6VLX130T-2FFG784I XC6VLX240T-1FF1156C XC6VLX195T-3FFG784C XC6VLX240T-1FF1759C XC6VLX240T-1FF1156I XC6VLX195T-1FF784C XC6VLX130T-2FF784I XC6VLX130T-3FFG784C XC6VLX195T-1FF784I XC6VLX130T-2FFG1156C XC6VLX130T-2FFG784C XC6VLX130T-2FF484I XC6VLX130T-2FFG1156I XC6VLX130T-1FF484I XC6VLX130T-3FF784C XC6VLX130T-1FFG1156I 。
XC4VSX55-11FFG1148C XC4VLX80-10FF1148I XC4VLX80-10FFG1148I XC4VLX80-11FF1148C XC4VSX55-11FF1148C XC4VSX55-10FF1148I XC4VSX55-11FFG1148I XC4VSX55-10FFG1148I XC4VSX35-12FFG668C XC4VSX35-11FFG668C XC4VSX55-10FFG1148C XC4VSX35-12FF668C XC4VSX35-11FF668C XC4VSX35-10FF668I XC4VSX35-11FFG668I 。
XCV200-6BG256AF XCV200-5PQG240I XCV200-5PQG240C XCV200-5PQ240I XCV200-5PQ240C XCV2005PQ240C XCV200-5FGG456I XCV200-5FGG456C XCV200-5FGG256I XCV200-5FGG256C XCV200-5FG456I XCV200-5FG456C XCV200-5FG456 XCV200-5FG256I XCV200-5FG256C XCV200-5BGG352I XCV200-5BGG352C 。
XC5VLX85-2FF1153C_XC5VSX240T-2FFG1738C
因此，在用VivadoHLS实现OpenCV的设计中，需要将输入和输出HLS可综合的视频设计接口，修改为Video stream接口，也就是采用HLS提供的video接口可综合函数，实现AXI4 video stream到VivadoHLS中hls::Mat<>类型的转换。VivadoHLS视频处理函数库使用hls::Mat<>数据类型，这种类型用于模型化视频像素流处理，实质等同于hls::steam<>流的类型，而不是OpenCV中在外部memory中存储的matrix矩阵类型。
而CvMat和IplImage类型更侧重于“图像”，OpenCV对其中的图像操作(缩放、单通道提取、图像阈值操作等)进行了优化。OpenCV中常见的与图像操作有关的数据容器有Mat，CvMat和IplImage，这三种类型都可以代表和显示图像，但是，Mat类型侧重于计算，数学性较高。
