Kubernetes平台下国产GPU的并发容器共享

随着技术的不断发展,机载智能系统正在向智能化发展。相较于虚拟机,轻量灵活且可伸缩的容器技术在安全性和性能均要求较高的机载智能应用中更适用。随着容器技术的不断发展,容器编排系统也迅速崛起,其中Kubernetes已成为主流的容器编排平台。然而目前Kubernetes在GPU管理方面存在不足,多个并发GPU容器无法共享GPU资源。考虑到日益增加的硬件自主可控需求,面向容器技术的国产GPU资源的共享迫在眉睫。针对上述问题,提出了一种名为sharedGPU的通用国产GPU共享方法,所提出的方法面向Kubernetes平台,实现了并发容器之间共享GPU,同时保留容器独占GPU的使用模式。实验结果表明,sharedGPU支持独占和共享两种使用GPU的模式。

基于国产GPU加速的地理信息显示性能分析评估

全国产化环境能否满足信息化系统建设的需要,是大家一直关心的一个问题。JM7201和GP101两块国产显卡推向市场后,其性能表现如何,能否基于其GPU加速功能实现地理信息的流畅显示,达到满意的效果,是本文开展测试工作的目的。本文围绕国产GPU加速设计了6种测试环境4项测试内容,明确了评价标准。经测试,全国产软硬件环境能较好地满足矢量地图和三维地形的显示,但不能满足有较多动态目标的同步显示需求。

基于分割帧的国产GPU并行渲染方法

为提升国产GPU的图形渲染能力,论文提出了一种基于分割帧的国产GPU并行渲染方法,采用两块国产显卡(GP101)进行性能评估,两块显卡分别为主显卡和辅助显卡,CPU负责任务分配、后期合成等工作,辅助显卡只处理CPU分配的渲染任务,将渲染后的结果通过PCI-E总线传送给主显卡,主显卡则处理CPU分配的渲染任务和显示合并后的画面。结果表明,两块GPU的并行渲染效率相比单GPU方案提高了90%。

面向嵌入式环境的暗光图像GPU加速增强算法

针对已有算法很难满足嵌入式场景下暗光图像增强的高性能和高效性处理需求,面向嵌入式国产GPU加速平台提出一种用于暗光图像增强的高阶分式模型,证明了提出的高阶分式模型在特定情况下等价于Retinex理论模型。为了减少GPU加速过程中每个线程的计算开销,提出一种基于像素抽样的快速boxfilter算法,实现GPU的进一步加速,同时为了避免传统伽马变换存在过度曝光和亮度提升不够明显的问题,提出了一种自适应伽马变换的算法。通过实验结果的分析,证明提出的算法在嵌入式计算场景下的高效性和有效性,实现了1280×720像素分辨率图像约148帧/s的处理速度。

基于超高清电视终端GPU芯片的AI边缘计算终端

利用电视终端内置GPU拥有的强大浮点运算能力与并行计算能力搭载深度学习框架,结合嵌入式开发的灵活可扩展性即可实现机顶盒AI边缘计算,搭载一个摄像头配件以及门禁控制器,可以完成人脸识别及智能门禁的功能。通过模型训练,算法移植,应用程序开发已经验证了方法的可行性,实现了30fps的人脸检测,15fps的人脸识别及门禁控制功能,性能可满足商用需求,充分发挥了超高清数字机顶盒上GPU性能的优势并具有一定的低成本,低功耗优势。