CN113792869B - 基于神经网络芯片的视频处理方法、装置和电子设备 - Google Patents
基于神经网络芯片的视频处理方法、装置和电子设备 Download PDFInfo
- Publication number
- CN113792869B CN113792869B CN202111084245.3A CN202111084245A CN113792869B CN 113792869 B CN113792869 B CN 113792869B CN 202111084245 A CN202111084245 A CN 202111084245A CN 113792869 B CN113792869 B CN 113792869B
- Authority
- CN
- China
- Prior art keywords
- video processing
- task
- sub
- processing task
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 62
- 238000003672 processing method Methods 0.000 title claims abstract description 19
- 230000011218 segmentation Effects 0.000 claims abstract description 66
- 238000000034 method Methods 0.000 claims abstract description 30
- 230000004044 response Effects 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 101100322581 Caenorhabditis elegans add-1 gene Proteins 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/20—Processor architectures; Processor configuration, e.g. pipelining
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Neurology (AREA)
- Image Analysis (AREA)
Abstract
本公开的实施例公开了基于神经网络芯片的视频处理方法、装置和电子设备。该方法的一具体实施方式包括：获取视频处理任务；确定上述视频处理任务对应的任务切分标识；根据上述任务切分标识，确定上述视频处理任务对应的至少一个子视频处理任务；将上述至少一个子视频处理任务中的每个子视频处理任务分配给神经网络芯片中与上述子视频处理任务对应的视频处理核心，以实现对上述视频处理任务的处理。该实施方式提高了视频处理效率。
Description
技术领域
本公开的实施例涉及计算机技术领域，具体涉及基于神经网络芯片的视频处理方法、装置和电子设备。
背景技术
视频处理是指对视频进行分析以及信息提取的一种技术，由于视频中往往包含多帧图像，且随着图像的分辨率增加，对视频进行分析以及信息提取所要处理的数据量也会同比增加。目前，在进行视频处理时，通常采用的方式为：通过通用的视频分析算法对视频进行处理。
然而，当采用上述方式时，经常会存在如下技术问题：
第一，由于通用算法往往未针对视频处理任务进行特殊优化，因此无法完全发挥硬件(如，芯片)的数据处理能力，从而导致视频处理效率较低；
第二，采用单一核心的视频处理芯片，往往只能对视频对应的任务进行串行处理，从而导致视频对应的处理任务处理效率低下。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了基于神经网络芯片的视频处理方法、装置和电子设备，来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面，本公开的一些实施例提供了一种基于神经网络芯片的视频处理的方法，该方法包括：获取视频处理任务；确定上述视频处理任务对应的任务切分标识；根据上述任务切分标识，确定上述视频处理任务对应的至少一个子视频处理任务；将上述至少一个子视频处理任务中的每个子视频处理任务分配给神经网络芯片中与上述子视频处理任务对应的视频处理核心，以实现对上述视频处理任务的处理。
第二方面，本公开的一些实施例提供了一种基于神经网络芯片的视频处理装置，装置包括：获取单元，被配置成获取视频处理任务；第一确定单元，被配置成确定上述视频处理任务对应的任务切分标识；第二确定单元，被配置成根据上述任务切分标识，确定上述视频处理任务对应的至少一个子视频处理任务；分配单元，被配置成将上述至少一个子视频处理任务中的每个子视频处理任务分配给神经网络芯片中与上述子视频处理任务对应的视频处理核心，以实现对上述视频处理任务的处理。
第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例中具有如下有益效果：通过本公开的一些实施例的基于神经网络芯片的视频处理方法，提高了视频处理效率。具体来说，造成视频处理效率低下的原因在于：由于通用算法往往未针对视频处理任务进行特殊优化，因此无法完全发挥硬件(如，芯片)的数据处理能力，而采用单一核心的视频处理芯片，往往只能对视频对应的任务进行串行处理。基于此，本公开的一些实施例的基于神经网络芯片的视频处理方法，首先，获取视频处理任务。其次，确定上述视频处理任务对应的任务切分标识。实际情况中，由于通用算法往往未针对视频处理任务进行特殊优化，因此无法完全发挥硬件(如，芯片)的数据处理能力。其次，在对视频处理任务处理时，采用单一核心的视频处理芯片，往往只能对视频对应的任务进行串行处理，会增加视频处理任务的处理时长。尤其，视频对应的任务较复杂时，会大大增加视频处理任务的处理时长。因此，通过确定上述视频处理任务对应的任务切分标识，从而可以根据上述任务切分标识，将视频处理任务切分成多个子任务，进而可以将多个子任务分别分配给神经网络芯片的多个视频处理核心进行并行处理，从而提高了视频处理效率。进一步，根据上述任务切分标识，确定上述视频处理任务对应的至少一个子视频处理任务。实际情况中，往往不对视频处理任务进行切分，直接利用视频处理芯片的单个处理核心进行处理，导致视频处理任务的处理时间较长。因此，通过上述任务切分标识，将上述视频处理任务切分成至少一个子视频处理任务，从而可以将视频处理任务分配给多个视频处理核心进行处理。最后，将上述至少一个子视频处理任务中的每个子视频处理任务分配给神经网络芯片中与上述子视频处理任务对应的视频处理核心，以实现对上述视频处理任务的处理。实际情况中，对上述视频处理任务处理时，往往利用视频处理芯片的单个处理核心进行处理，导致视频处理任务处理的时间较长。因此，通过将上述至少一个子视频处理任务中的每个子视频处理任务分配给神经网络芯片中与上述子视频处理任务对应的视频处理核心，可以实现利用神经网络芯片的多个处理核心，对视频处理任务进行并行处理，提高了视频处理效率。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
图1是本公开的一些实施例的基于神经网络芯片的视频处理方法的一个应用场景的示意图；
图2是根据本公开的基于神经网络芯片的视频处理方法的一些实施例的流程图；
图3是根据本公开的基于神经网络芯片的视频处理方法的另一些实施例的流程图；
图4是根据本公开的基于神经网络芯片的视频处理装置的一些实施例的结构示意图；
图5是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是本公开的一些实施例的基于神经网络芯片的视频处理方法的一个应用场景的示意图。
在图1的应用场景中，首先，计算设备101可以获取视频处理任务102。其次，计算设备101可以确定上述视频处理任务102对应的任务切分标识103。接着，计算设备101可以根据上述任务切分标识103，确定上述视频处理任务102对应的至少一个子视频处理任务104。最后，计算设备101可以将上述至少一个子视频处理任务104中的每个子视频处理任务分配给神经网络芯片中与上述子视频处理任务对应的视频处理核心105，以实现对上述视频处理任务102的处理。
需要说明的是，上述计算设备101可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解，图1中的计算设备的数目仅仅是示意性的。根据实现需要，可以具有任意数目的计算设备。
继续参考图2，示出了根据本公开的基于神经网络芯片的视频处理方法的一些实施例的流程200。该基于神经网络芯片的视频处理方法，包括以下步骤：
步骤201，获取视频处理任务。
在一些实施例中，基于神经网络芯片的视频处理方法的执行主体(例如图1所示的计算设备101)可以通过有线连接或无线连接的方式，获取上述视频处理任务。
其中，上述视频处理任务可以是对视频进行信息提取或视频分析的任务。例如，上述视频处理任务可以包括但不限于以下至少一项：对视频进行特征点提取的任务，对视频进行光流场分析的任务，对视频进行运动向量提取的任务，对视频进行深度学习任务和对视频进行模板匹配的任务。其中，上述对视频进行特征点提取的任务可以是利用图像特征点算法进行视频处理的任务。上述对视频进行光流场分析的任务可以是利用光流场分析算法进行视频处理的任务。上述对视频进行运动向量提取的任务可以是利用运动向量提取算法进行视频处理的任务。上述对视频进行深度学习任务可以是利用深度学习算法进行视频处理的任务。上述对视频进行模板匹配的任务可以是利用模板匹配算法进行视频处理的任务。
步骤202，确定视频处理任务对应的任务切分标识。
在一些实施例中，上述执行主体可以根据上述视频处理任务的任务处理量，确定上述视频处理任务对应的任务切分标识。
其中，上述任务切分标识可以表征上述视频处理任务是否可以进行任务切分。例如，上述执行主体可以响应于确定上述视频处理任务的计算资源消耗量小于等于第一资源消耗量，将第一预设任务切分标识确定为上述任务切分标识。上述执行主体可以响应于确定上述视频处理任务的计算资源消耗量大于第一资源消耗量，将第二预设任务切分标识确定为上述任务切分标识。其中，上述第一资源消耗量可以与神经网络芯片中的视频处理单元的最大资源量相同。上述神经网络芯片可以是一种多核异构的芯片。上述视频处理单元可以为包含目标数量个视频处理核心的单元。例如，上述目标数量可以是2。例如，视频处理单元的最大资源量可以用视频处理单元的最大任务处理量来表征。上述第一预设任务切分标识可以是表征上述视频处理任务不切分的标识。上述第二预设任务切分标识可以是表征上述视频处理任务切分的标识。
步骤203，根据任务切分标识，确定视频处理任务对应的至少一个子视频处理任务。
在一些实施例中，上述执行主体可以根据上述任务切分标识，确定上述视频处理任务对应的至少一个子视频处理任务。
其中，上述至少一个子视频处理任务可以是对上述视频处理任务进行任务切分所得到子任务。
作为示例，上述执行主体根据上述任务切分标识，确定上述视频处理任务对应的上述至少一个子视频处理任务，可以包括以下步骤：
第一步，响应于确定上述任务切分标识表征不对上述视频处理任务进行切分，将上述视频处理任务确定为子视频处理任务。
第二步，响应于确定上述任务切分标识表征对上述视频处理任务进行切分，根据上述视频处理任务的计算资源消耗量，确定上述至少一个子视频处理任务。
例如，首先，上述执行主体可以将上述视频处理任务的计算资源消耗量与第二资源消耗量进行取整操作，得到第一数值。然后，上述执行主体可以将上述视频处理任务的计算资源消耗量与第二资源消耗量进行取余操作，得到第二数值。其次，上述执行主体可以将上述第二数值与第三资源消耗量进行比较。响应于确定上述第二数值大于上述第三资源消耗量，对上述第一数值进行加一操作，以生成更新后的第一数值。响应于确定上述第二数值小于等于上述第三资源消耗量，确定第三数值。最后，上述执行主体可以根据上述更新后的第一数值和上述第三数值，对上述视频处理任务进行切分，以生成上述至少一个子视频处理任务。其中，上述第三数值的初始值为0。当响应于确定上述第二数值小于等于上述第三资源消耗量，可以对上述第三数值的初始值进行加1操作。
其中，上述第二资源消耗量可以表征第一视频处理单元的最大资源量。上述第三资源消耗量可以表征第二视频处理单元的最大资源量。第一视频处理单元可以为包含第一目标数量个视频处理核心的单元。例如，上述第一目标数量可以是2。第二视频处理单元可以为包含第二目标数量个视频处理核心的单元。例如，上述第二目标数量可以是2。上述第一数值和上述更新后的第一数值可以表征上述视频处理任务所需的第一视频处理单元的数量。上述第二数值可以表征上述视频处理任务未被分配视频处理单元的资源消耗量。上述第三数值可以表征上述视频处理任务所需的第二视频处理单元的数量。上述至少一个子视频处理任务中的子视频处理任务的数量与上述更新后的第一数值和上述第三数值的和一致。
步骤204，将至少一个子视频处理任务中的每个子视频处理任务分配给神经网络芯片中与子视频处理任务对应的视频处理核心，以实现对视频处理任务的处理。
在一些实施例中，上述执行主体可以将上述至少一个子视频处理任务中的每个子视频处理任务分配给神经网络芯片中与上述子视频处理任务对应的视频处理核心，以实现对上述视频处理任务的处理。
作为示例，本步骤可以包括以下子步骤：
第一子步骤，响应于确定上述至少一个子视频处理任务包括一个子视频处理任务，将上述子视频处理任务分配给上述神经网络芯片中与上述子视频处理任务对应的视频处理核心，以实现对上述视频处理任务的处理。
例如，当上述子视频处理任务的计算资源消耗量小于等于第三资源消耗量，将上述子视频处理任务，分配给第二视频处理单元。其中，上述第三资源消耗量可以表征第二视频处理单元的最大资源量。第二视频处理单元可以为包含第二目标数量个视频处理核心的单元。例如，上述第二目标数量可以是2。
又如，当上述子视频处理任务的计算资源消耗量大于第三资源消耗量并且小于等于第二资源消耗量，将上述子视频处理任务，分配给第一视频处理单元。其中，上述第三资源消耗量可以表征第二视频处理单元的最大资源量。第二视频处理单元可以为包含第二目标数量个视频处理核心的单元。例如，上述第二目标数量可以是2。上述第二资源消耗量可以表征第一视频处理单元的最大资源量。第一视频处理单元可以为包含第一目标数量个视频处理核心的单元。例如，上述第一目标数量可以是2。
第二子步骤，响应于上述至少一个子视频处理任务包括至少两个子视频处理任务，将上述至少两个子视频处理任务中的每个子视频处理任务分配给神经网络芯片中与子视频处理任务对应的视频处理核心，以实现对视频处理任务的处理。
例如，对于上述至少两个子视频处理任务中的每个子视频处理任务，重复第一子步骤，以实现将上述子视频处理任务分配给上述神经网络芯片中与上述子视频处理任务对应的视频处理核心，从而实现对上述视频处理任务的处理。
本公开的上述各个实施例中具有如下有益效果：通过本公开的一些实施例的基于神经网络芯片的视频处理方法，提高了视频处理效率。具体来说，造成视频处理效率低下的原因在于：由于通用算法往往未针对视频处理任务进行特殊优化，因此无法完全发挥硬件(如，芯片)的数据处理能力，而采用单一核心的视频处理芯片，往往只能对视频对应的任务进行串行处理。基于此，本公开的一些实施例的基于神经网络芯片的视频处理方法，首先，获取视频处理任务。其次，确定上述视频处理任务对应的任务切分标识。实际情况中，由于通用算法往往未针对视频处理任务进行特殊优化，因此无法完全发挥硬件(如，芯片)的数据处理能力。其次，在对视频处理任务处理时，采用单一核心的视频处理芯片，往往只能对视频对应的任务进行串行处理，会增加视频处理任务的处理时长。尤其，视频对应的任务较复杂时，会大大增加视频处理任务的处理时长。因此，通过确定上述视频处理任务对应的任务切分标识，从而可以根据上述任务切分标识，将视频处理任务切分成多个子任务，进而可以将多个子任务分别分配给神经网络芯片的多个视频处理核心进行并行处理，从而提高了视频处理效率。进一步，根据上述任务切分标识，确定上述视频处理任务对应的至少一个子视频处理任务。实际情况中，往往不对视频处理任务进行切分，直接利用视频处理芯片的单个处理核心进行处理，导致视频处理任务的处理时间较长。因此，通过上述任务切分标识，将上述视频处理任务切分成至少一个子视频处理任务，从而可以将视频处理任务分配给多个视频处理核心进行处理。最后，将上述至少一个子视频处理任务中的每个子视频处理任务分配给神经网络芯片中与上述子视频处理任务对应的视频处理核心，以实现对上述视频处理任务的处理。实际情况中，对上述视频处理任务处理时，往往利用视频处理芯片的单个处理核心进行处理，导致视频处理任务处理的时间较长。因此，通过将上述至少一个子视频处理任务中的每个子视频处理任务分配给神经网络芯片中与上述子视频处理任务对应的视频处理核心，可以实现利用神经网络芯片的多个处理核心，对视频处理任务进行并行处理，提高了视频处理效率。
进一步参考图3，其示出了基于神经网络芯片的视频处理方法的另一些实施例的流程300。该基于神经网络芯片的视频处理方法的流程300，包括以下步骤：
步骤301，获取视频处理任务。
在一些实施例中，步骤301的具体实现方式及所带来的技术效果可以参考图2对应的那些实施例中的步骤201，在此不再赘述。
步骤302，根据视频处理任务包括的目标处理任务的数量，确定任务切分标识。
在一些实施例中，上述执行主体可以根据上述视频处理任务包括的目标处理任务的数量，确定上述任务切分标识。
其中，上述任务切分标识可以表征上述视频处理任务是否可以进行任务切分。例如，上述执行主体可以响应于确定上述视频处理任务包括的目标处理任务的数量小于等于第一任务数量，将第一任务切分标识确定为上述任务切分标识。上述执行主体可以响应于确定上述视频处理任务包括的目标处理任务的数量大于第一任务数量，将第二任务切分标识确定为上述任务切分标识。其中，上述目标处理任务可以是上述视频处理任务包括的子任务。例如，上述目标处理任务可以是上述视频处理任务包括的对视频进行特征点提取的任务。上述对视频进行特征点提取的任务可以是利用图像特征点算法进行视频处理的任务。上述第一任务数量可以是人为设定的。例如，上述第一任务数量可以是1。上述第一任务切分标识可以是表征上述视频处理任务不切分的标识。上述第二任务切分标识可以是表征上述视频处理任务切分的标识。
步骤303，根据任务切分标识，确定视频处理任务对应的至少一个子视频处理任务。
在一些实施例中，上述执行主体可以根据任务切分标识，确定视频处理任务对应的至少一个子视频处理任务。
其中，上述至少一个子视频处理任务可以是对上述视频处理任务进行任务切分所得到子任务。
作为示例，上述执行主体根据任务切分标识，确定视频处理任务对应的至少一个子视频处理任务，可以是响应于上述任务切分标识表征上述视频处理任务包含目标数量个目标处理任务，将上述视频处理任务包括的目标处理任务，确定为子视频处理任务，得到上述至少一个子视频处理任务。
其中，上述目标数量可以是大于等于2的数。
可选地，上述执行主体根据任务切分标识，确定视频处理任务对应的至少一个子视频处理任务，还可以是响应于上述任务切分标识表征上述视频处理任务包含小于目标数量个目标处理任务，将上述视频处理任务包括的目标处理任务，确定为子视频处理任务。
步骤304，确定子视频处理任务的数据处理量。
在一些实施例中，上述执行主体可以确定上述至少一个子视频处理任务中的每个子视频处理任务的数据处理量。
其中，上述数据处理量可以用第四资源消耗量表征。上述第四资源消耗量可以是上述子视频处理任务所需消耗的计算机资源量。
步骤305，根据数据处理量，确定子视频处理任务对应的视频处理核心。
在一些实施例中，上述执行主体可以根据上述数据处理量，确定上述至少一个子视频处理任务中的每个子视频处理任务对应的视频处理核心。
作为示例，本步骤可以包括以下子步骤：
第一子步骤，响应于确定上述数据处理量大于目标数据处理量，将上述子视频处理任务分配给上述神经网络芯片包含的第一视频处理核心。
其中，第一视频处理核心是上述神经网络芯片中用于视频处理的核心。上述神经网络芯片可以是一种多核异构的芯片。
第二子步骤，响应于确定上述数据处理量小于等于目标数据处理量，将上述子视频处理任务分配给上述神经网络芯片包含的第二视频处理核心。
其中，第二视频处理核心是上述神经网络芯片中用于视频处理的核心。第一视频处理核心的算力大于第二视频处理核心。
作为示例，A视频处理核心的算力可以是1tflops。B视频处理核心的算力可以是0.2tflops。因此上述执行主体可以将A视频处理核心确定为第一视频处理核心。上述执行主体可以将B视频处理核心确定为第二视频处理核心。
步骤306，响应于接收到神经网络芯片中用于处理子视频处理任务的视频处理核心发送的处理结果，将处理结果发送给目标终端以供显示。
在一些实施例中，上述执行主体可以响应于接收到上述神经网络芯片中用于处理子视频处理任务的视频处理核心发送的处理结果，将上述处理结果发送给目标终端以供显示。
其中，上述处理结果可以表征子视频处理任务是否处理完成。上述执行主体可以通过有线连接或无线连接的方式，将上述处理结果发送给上述目标终端以供显示。上述目标终端可以是具有显示功能的终端。例如，上述目标终端可以是电脑。
从图3中可以看出，与图2对应的一些实施例的描述相比，本公开，首先，根据子视频处理任务对应的数据处理量，确定子视频处理任务对应的视频处理核心，将子视频处理任务具体分配到对应的视频处理核心。如此，细化了视频处理任务的分配方式。从而，可以保证神经网络芯片包括的多个视频处理核心对视频处理任务进行并行处理。以至，将神经网络芯片包括的多个视频处理核心充分利用。进而，提高了视频处理效率。其次，不同的视频处理核心的算力不同，通过确定子视频处理任务对应的视频处理核心，以实现将不同数据处理量的子视频处理任务，分配给算力能够满足数据处理需求的视频处理核心。从而，充分利用了神经网络芯片包括的多个视频处理核心的算力。进而，提高了视频处理效率。
进一步参考图4，作为对上述各图所示方法的实现，本公开提供了一种基于神经网络芯片的视频处理装置的一些实施例，这些装置实施例与图2所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图4所示，一些实施例的基于神经网络芯片的视频处理装置400包括：获取单元401、第一确定单元402、第二确定单元403和分配单元404。其中，获取单元401，被配置成获取视频处理任务；第一确定单元402，被配置成确定上述视频处理任务对应的任务切分标识；第二确定单元403，被配置成根据上述任务切分标识，确定上述视频处理任务对应的至少一个子视频处理任务；分配单元404，被配置成将上述至少一个子视频处理任务中的每个子视频处理任务分配给神经网络芯片中与上述子视频处理任务对应的视频处理核心，以实现对上述视频处理任务的处理。
可以理解的是，该装置400中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置400及其中包含的单元，在此不再赘述。
下面参考图5，其示出了适于用来实现本公开的一些实施例的电子设备(如图1所示的计算设备101)500的结构示意图。图5示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图5所示，电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常，以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图5中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取视频处理任务。确定上述视频处理任务对应的任务切分标识。根据上述任务切分标识，确定上述视频处理任务对应的至少一个子视频处理任务。将上述至少一个子视频处理任务中的每个子视频处理任务分配给神经网络芯片中与上述子视频处理任务对应的视频处理核心，以实现对上述视频处理任务的处理。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、第一确定单元、第二确定单元和分配单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取视频处理任务的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种基于神经网络芯片的视频处理方法，包括：
获取视频处理任务；
确定所述视频处理任务对应的任务切分标识；
根据所述任务切分标识，确定所述视频处理任务对应的至少一个子视频处理任务，包括：响应于确定所述任务切分标识表征对所述视频处理任务进行切分，根据所述视频处理任务的计算资源消耗量，确定所述至少一个子视频处理任务，其中，将所述视频处理任务的计算资源消耗量与第二资源消耗量进行取整操作，得到第一数值，将所述视频处理任务的计算资源消耗量与第二资源消耗量进行取余操作，得到第二数值，将所述第二数值与第三资源消耗量进行比较，响应于确定所述第二数值大于所述第三资源消耗量，对所述第一数值进行加一操作，以生成更新后的第一数值，响应于确定所述第二数值小于等于所述第三资源消耗量，确定第三数值，根据所述更新后的第一数值和所述第三数值，对所述视频处理任务进行切分，以生成所述至少一个子视频处理任务，其中，所述第三数值的初始值为0，当响应于确定所述第二数值小于等于所述第三资源消耗量，对所述第三数值的初始值进行加1操作，其中，所述第二资源消耗量表征第一视频处理单元的最大资源量，所述第三资源消耗量表征第二视频处理单元的最大资源量，第一视频处理单元为包含第一目标数量个视频处理核心的单元，第二视频处理单元为包含第二目标数量个视频处理核心的单元，所述第一数值和所述更新后的第一数值表征所述视频处理任务所需的第一视频处理单元的数量，所述第二数值表征所述视频处理任务未被分配视频处理单元的资源消耗量，所述第三数值表征所述视频处理任务所需的第二视频处理单元的数量，所述至少一个子视频处理任务中的子视频处理任务的数量与所述更新后的第一数值和所述第三数值的和一致；
将所述至少一个子视频处理任务中的每个子视频处理任务分配给神经网络芯片中与所述子视频处理任务对应的视频处理核心，以实现对所述视频处理任务的处理。
2.根据权利要求1所述的方法，其中，所述方法还包括：
响应于接收到所述神经网络芯片中用于处理子视频处理任务的视频处理核心发送的处理结果，将所述处理结果发送给目标终端以供显示。
3.根据权利要求2所述的方法，其中，所述确定所述视频处理任务对应的任务切分标识，包括：
根据所述视频处理任务包括的目标处理任务的数量，确定所述任务切分标识。
4.根据权利要求3所述的方法，其中，所述根据所述任务切分标识，确定所述视频处理任务对应的至少一个子视频处理任务，包括：
响应于所述任务切分标识表征所述视频处理任务包含目标数量个目标处理任务，将所述视频处理任务包括的目标处理任务，确定为子视频处理任务，得到所述至少一个子视频处理任务。
5.根据权利要求4所述的方法，其中，所述将所述至少一个子视频处理任务中的每个子视频处理任务分配给神经网络芯片中与所述子视频处理任务对应的视频处理核心，包括：
确定所述子视频处理任务的数据处理量；
根据所述数据处理量，确定所述子视频处理任务对应的视频处理核心。
6.根据权利要求5所述的方法，其中，所述根据所述数据处理量，确定所述子视频处理任务对应的视频处理核心，包括：
响应于确定所述数据处理量大于目标数据处理量，将所述子视频处理任务分配给所述神经网络芯片包含的第一视频处理核心。
7.根据权利要求5所述的方法，其中，所述根据所述数据处理量，确定所述子视频处理任务对应的视频处理核心，包括：
响应于确定所述数据处理量小于等于目标数据处理量，将所述子视频处理任务分配给所述神经网络芯片包含的第二视频处理核心。
8.一种基于神经网络芯片的视频处理装置，包括：
获取单元，被配置成获取视频处理任务；
第一确定单元，被配置成确定所述视频处理任务对应的任务切分标识；
第二确定单元，被配置成根据所述任务切分标识，确定所述视频处理任务对应的至少一个子视频处理任务，包括：响应于确定所述任务切分标识表征对所述视频处理任务进行切分，根据所述视频处理任务的计算资源消耗量，确定所述至少一个子视频处理任务，其中，将所述视频处理任务的计算资源消耗量与第二资源消耗量进行取整操作，得到第一数值，将所述视频处理任务的计算资源消耗量与第二资源消耗量进行取余操作，得到第二数值，将所述第二数值与第三资源消耗量进行比较，响应于确定所述第二数值大于所述第三资源消耗量，对所述第一数值进行加一操作，以生成更新后的第一数值，响应于确定所述第二数值小于等于所述第三资源消耗量，确定第三数值，根据所述更新后的第一数值和所述第三数值，对所述视频处理任务进行切分，以生成所述至少一个子视频处理任务，其中，所述第三数值的初始值为0，当响应于确定所述第二数值小于等于所述第三资源消耗量，对所述第三数值的初始值进行加1操作，其中，所述第二资源消耗量表征第一视频处理单元的最大资源量，所述第三资源消耗量表征第二视频处理单元的最大资源量，第一视频处理单元为包含第一目标数量个视频处理核心的单元，第二视频处理单元为包含第二目标数量个视频处理核心的单元，所述第一数值和所述更新后的第一数值表征所述视频处理任务所需的第一视频处理单元的数量，所述第二数值表征所述视频处理任务未被分配视频处理单元的资源消耗量，所述第三数值表征所述视频处理任务所需的第二视频处理单元的数量，所述至少一个子视频处理任务中的子视频处理任务的数量与所述更新后的第一数值和所述第三数值的和一致；
分配单元，被配置成将所述至少一个子视频处理任务中的每个子视频处理任务分配给神经网络芯片中与所述子视频处理任务对应的视频处理核心，以实现对所述视频处理任务的处理。
9.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至7中任一所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1至7中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111084245.3A CN113792869B (zh) | 2021-09-16 | 2021-09-16 | 基于神经网络芯片的视频处理方法、装置和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111084245.3A CN113792869B (zh) | 2021-09-16 | 2021-09-16 | 基于神经网络芯片的视频处理方法、装置和电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113792869A CN113792869A (zh) | 2021-12-14 |
| CN113792869B true CN113792869B (zh) | 2024-05-10 |
Family
ID=79183646
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111084245.3A Active CN113792869B (zh) | 2021-09-16 | 2021-09-16 | 基于神经网络芯片的视频处理方法、装置和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113792869B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114710680A (zh) * | 2022-03-16 | 2022-07-05 | 中星电子股份有限公司 | 用于视频编解码的分布式服务器集群 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1954297A (zh) * | 2004-01-15 | 2007-04-25 | 维尔2阿斯公司 | 在具有病毒、间谍软件以及黑客防护特征的虚拟处理空间中的隔离复用多维处理 |
| CN101267564A (zh) * | 2008-04-16 | 2008-09-17 | 中国科学院计算技术研究所 | 一种多处理器视频编码芯片装置和方法 |
| CA2811630A1 (en) * | 2010-08-24 | 2012-03-01 | Solano Labs, Inc. | Method and apparatus for clearing cloud compute demand |
| CN106033371A (zh) * | 2015-03-13 | 2016-10-19 | 杭州海康威视数字技术股份有限公司 | 一种视频分析任务的调度方法及系统 |
| CN108990112A (zh) * | 2017-05-31 | 2018-12-11 | 华为技术有限公司 | 通信网络中的任务处理方法和通信装置 |
| CN110502330A (zh) * | 2018-05-16 | 2019-11-26 | 上海寒武纪信息科技有限公司 | 处理器及处理方法 |
| GB202102016D0 (en) * | 2020-02-14 | 2021-03-31 | Nvidia Corp | Robotic control using deep learning |
| CN112650590A (zh) * | 2020-12-29 | 2021-04-13 | 北京奇艺世纪科技有限公司 | 任务的处理方法、装置及系统、分配方法和装置 |
| CN112700653A (zh) * | 2020-12-21 | 2021-04-23 | 上海眼控科技股份有限公司 | 一种车辆违法变道的判定方法、装置、设备及存储介质 |
| CN113282338A (zh) * | 2020-02-20 | 2021-08-20 | 英特尔公司 | 具有多级依赖性的并发工作负载调度 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10055418B2 (en) * | 2014-03-14 | 2018-08-21 | Highspot, Inc. | Narrowing information search results for presentation to a user |
| US10437638B2 (en) * | 2017-06-19 | 2019-10-08 | Intel Corporation | Method and apparatus for dynamically balancing task processing while maintaining task order |
-
2021
- 2021-09-16 CN CN202111084245.3A patent/CN113792869B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1954297A (zh) * | 2004-01-15 | 2007-04-25 | 维尔2阿斯公司 | 在具有病毒、间谍软件以及黑客防护特征的虚拟处理空间中的隔离复用多维处理 |
| CN101267564A (zh) * | 2008-04-16 | 2008-09-17 | 中国科学院计算技术研究所 | 一种多处理器视频编码芯片装置和方法 |
| CA2811630A1 (en) * | 2010-08-24 | 2012-03-01 | Solano Labs, Inc. | Method and apparatus for clearing cloud compute demand |
| CN106033371A (zh) * | 2015-03-13 | 2016-10-19 | 杭州海康威视数字技术股份有限公司 | 一种视频分析任务的调度方法及系统 |
| CN108990112A (zh) * | 2017-05-31 | 2018-12-11 | 华为技术有限公司 | 通信网络中的任务处理方法和通信装置 |
| CN110502330A (zh) * | 2018-05-16 | 2019-11-26 | 上海寒武纪信息科技有限公司 | 处理器及处理方法 |
| GB202102016D0 (en) * | 2020-02-14 | 2021-03-31 | Nvidia Corp | Robotic control using deep learning |
| CN113282338A (zh) * | 2020-02-20 | 2021-08-20 | 英特尔公司 | 具有多级依赖性的并发工作负载调度 |
| CN112700653A (zh) * | 2020-12-21 | 2021-04-23 | 上海眼控科技股份有限公司 | 一种车辆违法变道的判定方法、装置、设备及存储介质 |
| CN112650590A (zh) * | 2020-12-29 | 2021-04-13 | 北京奇艺世纪科技有限公司 | 任务的处理方法、装置及系统、分配方法和装置 |
Non-Patent Citations (6)
| Title |
|---|
| "A Novel Snake-like Data Placement Policy for Improving Video Processing in Hadoop Clusters";E. SaatiAlsoruji;《2020 IEEE Conference on Big Data and Analytics (ICBDA)》;20201215;第12-19页 * |
| "低功耗、低成本、可编程深度神经网络处理器设计与实现";王波;《中国优秀硕士学位论文全文数据库 信息科技辑》;20191215(第12期);I137-10 * |
| "视频时空特征学习方法研究";邱钊凡;《中国博士学位论文全文数据库 信息科技辑》;20210115(第1期);I138-199 * |
| "Effective Task Scheduling for Large-Scale Video Processing";Dai, J.等;《Security, Privacy and Anonymity in Computation, Communication and Storage》;20161110;第10067卷;第323–331页 * |
| "基于多核处理器的内存数据库查询执行优化研究";袁通;《中国博士学位论文全文数据库 信息科技辑》;20181215(第12期);I138-49 * |
| "面向分布式集群计算的容错技术研究与设计";张新洲;《中国优秀硕士学位论文全文数据库 信息科技辑》;20210415(第4期);I138-305 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113792869A (zh) | 2021-12-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110058936B (zh) | 用于确定专用处理资源的资源量的方法、设备和计算机程序产品 | |
| CN114020470B (zh) | 资源分配方法、装置、可读介质及电子设备 | |
| CN110391938B (zh) | 用于部署服务的方法和装置 | |
| CN108829518B (zh) | 用于推送信息的方法和装置 | |
| CN111580974B (zh) | Gpu实例分配方法、装置、电子设备和计算机可读介质 | |
| CN111784712B (zh) | 图像处理方法、装置、设备和计算机可读介质 | |
| CN110288625B (zh) | 用于处理图像的方法和装置 | |
| CN112434620B (zh) | 场景文字识别方法、装置、设备和计算机可读介质 | |
| CN112379982B (zh) | 任务处理方法、装置、电子设备及计算机可读存储介质 | |
| CN110765752B (zh) | 试题的生成方法、装置、电子设备及计算机可读存储介质 | |
| CN113792869B (zh) | 基于神经网络芯片的视频处理方法、装置和电子设备 | |
| CN110489219B (zh) | 一种调度功能对象的方法、装置、介质和电子设备 | |
| CN111898061B (zh) | 搜索网络的方法、装置、电子设备和计算机可读介质 | |
| CN111694672B (zh) | 资源分配方法、任务提交方法、装置、电子设备和介质 | |
| CN111694670B (zh) | 资源分配方法、装置、设备和计算机可读介质 | |
| CN112241744B (zh) | 图像颜色迁移方法、装置、设备和计算机可读介质 | |
| CN111756833B (zh) | 节点处理方法、装置、电子设备及计算机可读介质 | |
| CN116319322B (zh) | 电力设备节点通信连接方法、装置、设备和计算机介质 | |
| CN114153620B (zh) | Hudi运行环境资源优化分配方法及装置 | |
| CN111404824B (zh) | 用于转发请求的方法、装置、电子设备和计算机可读介质 | |
| CN111581305B (zh) | 特征处理方法、装置、电子设备和介质 | |
| CN112148448B (zh) | 资源分配方法、装置、设备和计算机可读介质 | |
| CN118158082B (zh) | 智能家居设备通信资源报文更新方法、装置、设备与介质 | |
| CN116755889B (zh) | 应用于服务器集群数据交互的数据加速方法、装置与设备 | |
| CN114629821B (zh) | 物联网用量数据生成方法、装置、设备和介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |