CN111860851A - 用于识别图像的方法和系统 - Google Patents

Abstract

本申请实施例公开了用于识别图像的方法和系统。该方法应用于AI芯片集合，AI芯片集合包括至少两个AI芯片，至少两个AI芯片并联，包括：接收集成电路芯片发送的图像；对图像进行图像识别，生成至少两个识别子结果；将至少两个识别子结果发送至集成电路芯片，以使集成电路芯片整合至少两个识别子结果，生成识别结果。该实施方式利用并联的AI芯片对图像进行图像识别，提高了对图像的识别效率。

Description

用于识别图像的方法和系统

技术领域

本申请实施例涉及计算机技术领域，具体涉及用于识别图像的方法和系统。

背景技术

图像识别，是指对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术。目前，为了节省云端服务器的计算压力和传输带宽，会在靠近数据源头的一侧直接对图像进行计算，即边缘计算。

在基于深度学习的边缘计算的图像识别场景下，图像识别系统通常部署单个AI(Artificial Intelligence，人工智能)芯片，以及单个AI芯片连接的集成电路芯片。具体地，单个AI芯片运行图像识别过程中的所有深度学习模型，对集成电路芯片采集的图像进行图像识别，以得到图像的识别结果，并将图像的识别结果发送至云端服务器，以进行下一步处理。

发明内容

本申请实施例提出了用于识别图像的方法和系统。

第一方面，本申请实施例提供了一种用于识别图像的方法，应用于AI芯片集合，AI芯片集合包括至少两个AI芯片，至少两个AI芯片并联，包括：接收集成电路芯片发送的图像；对图像进行图像识别，生成至少两个识别子结果；将至少两个识别子结果发送至集成电路芯片，以使集成电路芯片整合至少两个识别子结果，生成识别结果。

在一些实施例中，AI芯片集合运行图像识别过程中的所有深度学习模型，且不同AI芯片运行图像识别过程中的不同业务对应的深度学习模型。

在一些实施例中，AI芯片集合包括第一AI芯片和第二AI芯片，第一AI芯片运行目标检测模型和属性识别模型，第二AI芯片运行目标检测模型和表情识别模型。

在一些实施例中，对图像进行图像识别，生成至少两个识别子结果，包括：第一AI芯片将图像输入至目标检测模型，得到图像中的目标的位置信息，将图像和图像中的目标的位置信息输入至属性识别模型，得到图像中的目标的属性信息，基于图像中的目标的位置信息和属性信息，生成图像的第一识别子结果；第二AI芯片将图像输入至目标检测模型，得到图像中的目标的位置信息，将图像和图像中的目标的位置信息输入至表情识别模型，得到图像中的目标的表情信息，基于图像中的目标的位置信息和表情信息，生成图像的第二识别子结果。

在一些实施例中，AI芯片集合中的AI芯片与集成电路芯片之间通过通用串行总线连接。

在一些实施例中，AI芯片集合中的AI芯片通过移动产业处理器接口MIPI并联。

第二方面，本申请实施例提供了一种用于识别图像的系统，包括：集成电路芯片和AI芯片集合，AI芯片集合包括至少两个AI芯片，至少两个AI芯片并联；集成电路芯片，被配置成采集图像，以及将图像发送至AI芯片集合；AI芯片集合，被配置成利用至少两个AI芯片对图像进行图像识别，生成至少两个识别子结果，以及将至少两个识别子结果发送至集成电路芯片；集成电路芯片，被配置成整合至少两个识别子结果，生成识别结果。

在一些实施例中，AI芯片集合运行图像识别过程中的所有深度学习模型，且不同AI芯片运行图像识别过程中的不同业务对应的深度学习模型。

在一些实施例中，AI芯片集合包括第一AI芯片和第二AI芯片，第一AI芯片运行目标检测模型和属性识别模型，第二AI芯片运行目标检测模型和表情识别模型。

在一些实施例中，第一AI芯片，被配置成将图像输入至目标检测模型，得到图像中的目标的位置信息，将图像和图像中的目标的位置信息输入至属性识别模型，得到图像中的目标的属性信息，基于图像中的目标的位置信息和属性信息，生成图像的第一识别子结果；第二AI芯片，被配置成将图像输入至目标检测模型，得到图像中的目标的位置信息，将图像和图像中的目标的位置信息输入至表情识别模型，得到图像中的目标的表情信息，基于图像中的目标的位置信息和表情信息，生成图像的第二识别子结果。

在一些实施例中，AI芯片集合中的AI芯片与集成电路芯片之间通过通用串行总线连接。

在一些实施例中，AI芯片集合中的AI芯片通过移动产业处理器接口MIPI并联。

在一些实施例中，集成电路芯片包括系统级芯片和转换芯片；系统级芯片，被配置成采集图像，将图像转换成数字信号，以及将数字信号发送至转换芯片；转换芯片，被配置成将数字信号转换成MIPI信号，以及将MIPI信号发送至AI芯片集合。

第三方面，本申请实施例提供了一种人工智能AI芯片集合，包括：至少两个AI芯片，所述至少两个AI芯片并联，每个AI芯片包括：存储部件，其上存储有一个或多个程序；调度部件，根据待执行指令进行指令调度；至少一个通用执行部件，接收调度部件发送的指令，执行对应的程序；和/或根据调度部件发送的指令生成子指令，并将生成的子指令发送至对应的专用执行部件；至少一个专用执行部件，接收至少一个通用执行部件发送的指令，执行对应的程序，其中，一个或多个专用执行部件执行对应的程序时实现如上述第一方面中任一实施例所描述的方法。

第四方面，本申请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，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

第五方面，本申请实施例提供了一种电子设备，包括：处理器、存储装置和至少一个如第三方面中所描述的人工智能AI芯片集合。

第六方面，本申请实施例提供了另一种服务器，包括：接口；存储器，其上存储有一个或多个程序；以及一个或多个处理器，在操作上连接到上述接口和上述存储器，用于：接收集成电路芯片发送的图像；对图像进行图像识别，生成至少两个识别子结果；将至少两个识别子结果发送至集成电路芯片，以使集成电路芯片整合至少两个识别子结果，生成识别结果。

第七方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中，当上述计算机程序被一个或多个处理器执行时，使得上述一个或多个处理器：接收集成电路芯片发送的图像；对图像进行图像识别，生成至少两个识别子结果；将至少两个识别子结果发送至集成电路芯片，以使集成电路芯片整合至少两个识别子结果，生成识别结果。

本申请实施例提供的用于识别图像的方法和系统，AI芯片集合包括至少两个AI芯片，至少两个AI芯片并联。此时，AI芯片集合接收集成电路芯片发送的图像，对图像进行图像识别，生成至少两个识别子结果，并发送至集成电路芯片。集成电路芯片整合至少两个识别子结果，生成识别结果。利用并联的AI芯片对图像进行图像识别，提高了对图像的识别效率。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是根据本申请的用于识别图像的系统的示例性系统架构；

图2是根据本申请的用于识别图像的方法的一个实施例的流程图；

图3是根据本申请的用于识别图像的方法的又一个实施例的流程图；

图4是图3所示的用于识别图像的方法的一个应用场景的示意图；

图5是根据本申请的用于识别图像的系统的一个实施例的时序图；

图6是根据本申请的AI芯片的一个实施例的结构示意图；

图7是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。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。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了根据本申请的用于识别图像的系统的示例性系统架构100。

如图1所示，系统架构100中可以包括集成电路芯片101和AI芯片集合102。集成电路芯片101与AI芯片集合102连接。其中，AI芯片集合102可以包括至少两个AI芯片，且至少两个AI芯片并联。作为示例，图1中示出的AI芯片集合102包括AI芯片1021、1022，且AI芯片1021、1022并联。需要说明的是，图1中的AI芯片集合102中的并联的AI芯片的数目仅仅是示意性的。根据实现需要，可以并联任意数目的AI芯片。

集成电路芯片101可以与AI芯片集合102交互，以接收或发送信息等。例如，集成电路芯片101可以采集图像，并将图像发送至AI芯片集合102。AI芯片集合102可以对图像进行图像识别，生成至少两个识别子结果，并将至少两个识别子结果发送至集成电路芯片101。集成电路芯片101可以整合至少两个识别子结果，生成识别结果。

需要说明的是，本申请实施例所提供的用于识别图像的方法一般由AI芯片集合102执行。

应该理解，图1中的集成电路芯片、AI芯片集合以及AI芯片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集成电路芯片、AI芯片集合以及AI芯片。

继续参考图2，其示出了根据本申请的用于识别图像的方法的一个实施例的流程200。该用于识别图像的方法，应用于AI芯片集合，AI芯片集合中的AI芯片并联，包括以下步骤：

步骤201，接收集成电路芯片发送的图像。

在本实施例中，集成电路芯片(例如图1所示的集成电路芯片101)可以采集图像，并将图像发送至AI芯片集合(例如图1所示的AI芯片集合102)。这样，AI芯片集合就可以接收到图像。其中，AI芯片集合可以包括至少两个AI芯片，且至少两个AI芯片并联。

这里，集成电路芯片可以用于采集图像。例如，集成电路芯片可以是针对高清IPCamera(网络摄像机)产品应用开发的专业高端SOC(System on Chip，系统级芯片)。图像可以是集成电路芯片拍摄的图像，也可以是拍摄的视频中的图像。图像可以存在任何目标，包括但不限于人体、人脸、动物、植物、物体、手势等等。

在本实施例的一些可选的实现方式中，AI芯片集合中的AI芯片可以通过MIPI(Mobile Industry Processor Interface，移动产业处理器接口)并联。AI芯片之间通过MIPI并联，保证接口的一致性，可扩展性强。

步骤202，对图像进行图像识别，生成至少两个识别子结果。

在本实施例中，AI芯片集合可以对图像进行图像识别，以生成至少两个识别子结果。

在本实施例的一些可选的实现方式中，AI芯片集合中的每个AI芯片可以运行图像识别过程中的所有深度学习模型。此时，首先对图像进行分割，得到子图像集合；然后将子图像集合中的子图像分发给AI芯片集合中的AI芯片进行图像识别；最后汇总每个AI芯片的识别子结果，就得到了图像的识别结果。

在本实施例的一些可选的实现方式中，AI芯片集合可以运行图像识别过程中的所有深度学习模型，且不同AI芯片运行图像识别过程中的不同业务对应的深度学习模型。通常，AI芯片集合中的AI芯片的数量不大于图像识别过程中的业务的数量，即，每个AI芯片运行至少一个业务对应的深度学习模型。其中，图像识别过程中的业务可以包括但不限于属性识别业务、表情识别业务等等。属性可以包括但不限于目标的性别、年龄、民族等等。此时，AI芯片集合中的每个AI芯片的输入信息相同，均为集成电路芯片发送的图像。

例如，图像识别过程中的深度学习模型可以包括目标检测模型、属性识别模型和表情识别模型。AI芯片集合可以包括第一AI芯片(例如图1所示的AI芯片1021)和第二AI芯片(例如图1所示的AI芯片1022)。第一AI芯片可以运行目标检测模型和属性识别模型，第二AI芯片可以运行目标检测模型和表情识别模型。其中，目标检测模型可以用于检测图像中的目标的位置。属性识别模型可以用于识别图像中的目标的属性。表情识别模型可以用于识别图像中的目标的表情。

在本实施例的一些可选的实现方式中，一个复杂度较高的业务对应的深度学习模型可以单独运行在一个AI芯片上，多个复杂度较低的业务对应的深度学习模型可以同时运行在一个AI芯片上，以均衡每个AI芯片的计算任务量，使每个AI芯片的计算时间相近。这样就将计算时间均匀分布在每个AI芯片上，以确保计算时间消耗最优，达到计算性能最优的效果。

需要说明的是，AI芯片集合中并联的AI芯片的数量可以由图像识别过程中的业务的复杂度和数量决定。通常，业务复杂度越高，业务数量越多，AI芯片集合中并联的AI芯片的数量就越多；反之，AI芯片集合中并联的AI芯片的数量就越少。

步骤203，将至少两个识别子结果发送至集成电路芯片，以使集成电路芯片整合至少两个识别子结果，生成识别结果。

在本实施例中，AI芯片集合可以将至少两个识别子结果发送至集成电路芯片。集成电路芯片可以整合至少两个识别子结果，生成识别结果。

在本实施例的一些可选的实现方式中，集成电路芯片可以包括系统级芯片和转换芯片。具体地，系统级芯片可以采集图像，将图像转换成数字信号，并将数字信号发送至转换芯片。转换芯片可以将数字信号转换成MIPI信号，并将MIPI信号发送至AI芯片集合。AI芯片集合可以对图像进行图像识别，生成至少两个识别子结果，并发送至系统级芯片。

通常，系统级芯片同一调度并联的AI芯片，保证数据同步。并联的AI芯片通过硬件IO(Input/Output，输入/输出)信号同步状态。系统级芯片检测到所有AI芯片均输出信息之后，再通知并联的AI芯片开始下一轮计算。其中，转换芯片又可以被叫做BT转MIPI芯片，其作用是将数字信号转换成MIPI信号。数字信号可以是BT信号。BT是指BT1120接口，即高清晰度电视(HDTV)信号数字接口。由于AI芯片集合中的AI芯片通过MIPI并联，将图像转换成MIPI信号，便于通过MIPI分别发送至每个AI芯片。

在本实施例的一些可选的实现方式中，AI芯片集合中的AI芯片与集成电路芯片之间可以通过USB(Universal Serial Bus，通用串行总线)连接。具体来说，AI芯片集合中的AI芯片与系统级芯片之间通过USB连接。这样，AI芯片集合中的AI芯片可以通过USB将识别子结果发送至系统级芯片。

本申请实施例提供的用于识别图像的方法，AI芯片集合接收集成电路芯片发送的图像，对图像进行图像识别，生成至少两个识别子结果，并发送至集成电路芯片。集成电路芯片整合至少两个识别子结果，生成识别结果。利用并联的AI芯片对图像进行图像识别，提高了对图像的识别效率。

进一步参考图3，其示出了根据本申请的用于识别图像的方法的又一个实施例的流程300。该用于识别图像的方法，应用于AI芯片集合，AI芯片集合中的AI芯片并联，AI芯片集合包括第一AI芯片和第二AI芯片，第一AI芯片运行目标检测模型和属性识别模型，第二AI芯片运行目标检测模型和表情识别模型，包括以下步骤：

步骤301，第一AI芯片和第AI二芯片接收集成电路芯片发送的图像。

在本实施例中，集成电路芯片(例如图1所示的集成电路芯片101)可以采集图像，并将图像分别发送给第一AI芯片(例如图1所示的AI芯片1021)和第二AI芯片(例如图1所示的AI芯片1022)。这样，第一AI芯片和第二AI芯片就都接收到了图像。随后，同时执行步骤302和步骤302′。

步骤302，第一AI芯片将图像输入至目标检测模型，得到图像中的目标的位置信息。

在本实施例中，第一AI芯片可以将图像输入至目标检测模型，以得到图像中的目标的位置信息。

步骤303，将图像和图像中的目标的位置信息输入至属性识别模型，得到图像中的目标的属性信息。

在本实施例中，第一AI芯片可以将图像和图像中的目标的位置信息输入至属性识别模型，以得到图像中的目标的属性信息。

步骤304，基于图像中的目标的位置信息和属性信息，生成图像的第一识别子结果。

在本实施例中，第一AI芯片可以整合图像中的目标的位置信息和属性信息，生成图像的第一识别子结果。

步骤302′，第二AI芯片将图像输入至目标检测模型，得到图像中的目标的位置信息。

在本实施例中，第二AI芯片可以将图像输入至目标检测模型，以得到图像中的目标的位置信息。

步骤303′，将图像和图像中的目标的位置信息输入至表情识别模型，得到图像中的目标的表情信息。

在本实施例中，第二AI芯片可以将图像和图像中的目标的位置信息输入至表情识别模型，以得到图像中的目标的表情信息。

步骤304′，基于图像中的目标的位置信息和表情信息，生成图像的第二识别子结果。

在本实施例中，第二AI芯片可以整合图像中的目标的位置信息和表情信息，生成图像的第二识别子结果。

步骤305，第一AI芯片将第一识别子结果发送至集成电路芯片，以及第二AI芯片将第二识别子结果发送至集成电路芯片，以使集成电路芯片整合第一识别子结果和第二识别子结果，生成识别结果。

在本实施例中，第一AI芯片可以将第一识别子结果发送至集成电路芯片。同时，第二AI芯片可以将第二识别子结果发送至集成电路芯片。集成电路芯片可以整合第一识别子结果和第二识别子结果，生成识别结果。具体地，AI芯片具有唯一的标识，每个标识对应图像中的唯一位置。集成电路芯片根据第一AI芯片的唯一的标识在图像中查找出其对应的位置，将第一识别子结果封装到所查找出的位置处。同样，集成电路芯片根据第二AI芯片的唯一的标识在图像中查找出其对应的位置，将第二识别子结果封装到所查找出的位置处。

需要说明的是，集成电路芯片可以将图像的识别结果发送至云端服务器或用户的终端设备，以供云端服务器或用户的终端设备对其进行下一步的处理。

应当理解的是，属性识别业务和表情识别业务的复杂度相近，两个AI芯片分别运行这两个业务对应的深度学习模型，可以均衡每个AI芯片的计算任务量，使每个AI芯片的计算时间相近。

继续参见图4，图4是图3所示的用于识别图像的方法的一个应用场景的示意图。在图4所示的应用场景中，AI芯片集合401包括至少两个AI芯片，且至少两个AI芯片并联。作为示例，图4中的AI芯片集合401包括AI芯片4011和AI芯片4012，且AI芯片4011和AI芯片4012并联。系统级芯片402与转换芯片403和云端服务器404连接。转换芯片403与AI芯片4011和AI芯片4012连接。AI芯片4011和AI芯片4012与系统级芯片402连接。系统级芯片402采集人脸图像，将人脸图像转换成BT信号411，并发送至转换芯片403。转换芯片403将BT信号411转换成MIPI信号412，分别发送至AI芯片4011和AI芯片4012。AI芯片4011将MIPI信号412输入至目标检测模型，得到人脸的位置信息，将MIPI信号412和人脸的位置信息输入至属性识别模型，得到人脸的属性信息，整合人脸的位置信息和属性信息，生成第一识别子结果413。与此同时进行的是，AI芯片4012将MIPI信号412输入至目标检测模型，得到人脸的位置信息，将MIPI信号412和人脸的位置信息输入至表情识别模型，得到人脸的表情信息，整合人脸的位置信息和表情信息，生成第二识别子结果414。AI芯片4011将第一识别子结果413发送至系统级芯片402，以及AI芯片4012将第二识别子结果414发送至系统级芯片402。系统级芯片402整合第一识别子结果413和第二识别子结果414，生成识别结果415，并发送至云端服务器404。需要说明的是，图4中的AI芯片集合401中的并联的AI芯片的数目仅仅是根据该应用场景所确定的。当应用场景不同时，并联的AI芯片的数目可以不同。

从图3中可以看出，与图2对应的实施例相比，本实施例中的用于识别图像的方法的流程300突出了图像识别步骤。由此，本实施例描述的方案根据业务复杂度将图像识别过程中的业务对应的深度学习模型分散运行在并联的AI芯片上。将图像识别过程中的业务拆分，减少了AI芯片的计算压力，并联的AI芯片同时工作，从而提高了对图像的识别效率。

进一步参考图5，其示出了根据本申请的用于识别图像的系统的一个实施例的时序500。

本实施例中的用于识别图像的系统可以包括：集成电路芯片和AI芯片集合，AI芯片集合包括至少两个AI芯片，至少两个AI芯片并联。

如图5所示，在步骤501中，集成电路芯片采集图像。

在步骤502中，集成电路芯片将图像发送至AI芯片集合。

在步骤503中，AI芯片集合利用至少两个AI芯片对图像进行图像识别，生成至少两个识别子结果。

在步骤504中，AI芯片集合将至少两个识别子结果发送至集成电路芯片。

在步骤505中，集成电路芯片整合至少两个识别子结果，生成识别结果。

在本实施例中，步骤501-505的具体操作已在图2所示的实施例中步骤201-203中进行了详细的介绍，在此不再赘述。

在本实施例的一些可选的实现方式中，AI芯片集合运行图像识别过程中的所有深度学习模型，且不同AI芯片运行图像识别过程中的不同业务对应的深度学习模型。

在本实施例的一些可选的实现方式中，AI芯片集合包括第一AI芯片和第二AI芯片，第一AI芯片运行目标检测模型和属性识别模型，第二AI芯片运行目标检测模型和表情识别模型。

在本实施例的一些可选的实现方式中，第一AI芯片，被配置成将图像输入至目标检测模型，得到图像中的目标的位置信息，将图像和图像中的目标的位置信息输入至属性识别模型，得到图像中的目标的属性信息，基于图像中的目标的位置信息和属性信息，生成图像的第一识别子结果；第二AI芯片，被配置成将图像输入至目标检测模型，得到图像中的目标的位置信息，将图像和图像中的目标的位置信息输入至表情识别模型，得到图像中的目标的表情信息，基于图像中的目标的位置信息和表情信息，生成图像的第二识别子结果。

在本实施例的一些可选的实现方式中，AI芯片集合中的AI芯片与集成电路芯片之间通过通用串行总线连接。

在本实施例的一些可选的实现方式中，AI芯片集合中的AI芯片通过移动产业处理器接口MIPI并联。

在本实施例的一些可选的实现方式中，集成电路芯片包括系统级芯片和转换芯片；系统级芯片，被配置成采集图像，将图像转换成数字信号，以及将数字信号发送至转换芯片；转换芯片，被配置成将数字信号转换成MIPI信号，以及将MIPI信号发送至AI芯片集合。

本申请实施例还提出了一种AI芯片集合。该AI芯片集合包括至少两个AI芯片，至少两个AI芯片并联。每个AI芯片的结构可以参见图6，其示出了本申请的AI芯片的一个实施例的结构示意图。如图6所示，本实施例中的AI芯片可以包括存储部件601、调度部件602、至少一个通用执行部件603和至少一个专用执行部件604。

在本实施例中，存储部件601可以是能够实现信息存储功能的电路或器件。例如可以是静态随机存取存储器(Static Random-Access Memory，SRAM)、随机访问存储器(RAM)、内存条、安全数码卡(Secure Digital Memory Card，SD卡)或快闪存储器卡(TF卡，又称microSD)等。存储部件601中可以存储有一个或多个程序。

调度部件602可以是能够实现指令的调度分发功能的电路或器件。调度部件602可以对待执行指令进行解析，从而确定执行什么操作，即做什么。之后，可以将待执行指令发送给对应的通用执行部件603，即能够执行待执行指令所指示的操作的通用执行部件603。调度部件602可以设置在处理器中，也可以单独设置。

需要说明的是，待执行指令可以是其他电子设备或电子器件(如图1所示的服务器105中的CPU)发送给AI芯片的。也可以是AI芯片根据待处理数据而生成的。

通用执行部件603可以是能够实现常用操作功能的电路或器件。这里的常用操作功能可以(但不限于)包括AI应用中通常会使用的算法，如前向传播算法、反向传播算法等。这样，用户可以根据所需的操作功能，对各通用执行部件603进行组合。从而有助于降低芯片的开发周期和开发成本。

这里的常用操作功能也可以包括指令的调度分发功能。即通用执行部件603同样可以对调度部件602发送的指令(即待执行指令)进行解析。之后根据解析结果，可以生成至少一个子指令。并且可以将生成的至少一个子指令分别发送给对应的专用执行部件604。在这里，若某个专用执行部件604能够实现待执行指令所指示的操作，则通用执行部件603可以将待执行指令作为子指令。若需要多个专用执行部件604才能实现待执行指令所指示的操作，则通用执行部件603可以生成多个子指令。

也就是说，通用执行部件603既可以单独执行完成相应的操作，也可以协助调度部件602进行指令调度。这样有助于降低调度部件602的工作负荷，提高芯片整体的处理效率。

在本实施例中，专用执行部件604可以是能够实现指定操作功能的电路或器件。这里所说的指定操作功能可以与常用操作功能相对。即可以包括人工智能应用中不常使用的算法，如上述各实施例中所描述的用于识别图像的方法。因此，专用执行部件604往往要根据不同用户的需求来进行设计。

可选地，至少一个专用执行部件604可以是对各通用执行部件603能够实现的常用操作功能进行拆分，并根据拆分后的操作功能而设计得到的。此时，各通用执行部件603可以与各专用执行部件604均通信连接。这样，通过组合不同的专用执行部件604，可以实现更多的操作功能，并且有利于减少执行部件的数量。

需要说明的是，AI芯片中可以设置有一个或多个存储部件601。并且其上存储有其他各部件所需的程序等数据。此时，调度部件602、通用执行部件603和专用执行部件604可以通过串行总线或数据接口等，从存储部件601中读取程序等数据。

在一些应用场景中，为了提高图像识别效率，调度部件602、通用执行部件603和专用执行部件604中也可以分别设置有存储部件601。并且不同部件中的存储部件601可以存储该部件所需的数据。例如调度部件602中的存储部件601可以存储有指令调度程序。

本实施例中的AI芯片，针对深度学习训练和预测，能够满足高密度的计算和访存需求。从而可以改变传统CPU、GPU等通用处理器在深度学习场景下的处理性能。同时，对深度学习中的用于识别图像的方法进行了优化，这样有助于提高软、硬件整体的执行效率。

下面参考图7，其示出了适于用来实现本申请实施例的电子设备的计算机系统700的结构示意图。图7示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图7所示，计算机系统700包括中央处理单元(CPU)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有系统700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

以下部件连接至I/O接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。

特别地，根据本公开的实施例，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。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时，执行本申请的方法中限定的上述功能。

需要说明的是，本申请所述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。在本申请中，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。而在本申请中，计算机可读的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。计算机可读的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：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

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：接收集成电路芯片发送的图像；对图像进行图像识别，生成至少两个识别子结果；将至少两个识别子结果发送至集成电路芯片，以使集成电路芯片整合至少两个识别子结果，生成识别结果。

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申请的操作的计算机程序代码，所述程序设计语言包括面向目标的程序设计语言—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电子设备上执行。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，图示了按照本申请各种实施例的系统、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。

作为又一方面，本申请实施例提供了另一种服务器，包括：接口；存储器，其上存储有一个或多个程序；以及一个或多个处理器，在操作上连接到上述接口和上述存储器，用于：接收集成电路芯片发送的图像；对图像进行图像识别，生成至少两个识别子结果；将至少两个识别子结果发送至集成电路芯片，以使集成电路芯片整合至少两个识别子结果，生成识别结果。

作为又一方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中，当上述计算机程序被一个或多个处理器执行时，使得上述一个或多个处理器：接收集成电路芯片发送的图像；对图像进行图像识别，生成至少两个识别子结果；将至少两个识别子结果发送至集成电路芯片，以使集成电路芯片整合至少两个识别子结果，生成识别结果。

以上描述仅为本申请的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，本申请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。例如上述特征与本申请中公开的(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 (16)

1.一种用于识别图像的方法，应用于人工智能AI芯片集合，所述AI芯片集合包括至少两个AI芯片，所述至少两个AI芯片并联，包括：

接收集成电路芯片发送的图像；

对所述图像进行图像识别，生成至少两个识别子结果；

将所述至少两个识别子结果发送至所述集成电路芯片，以使所述集成电路芯片整合所述至少两个识别子结果，生成识别结果。

2.根据权利要求1所述的方法，其中，所述AI芯片集合运行图像识别过程中的所有深度学习模型，且不同AI芯片运行图像识别过程中的不同业务对应的深度学习模型。

3.根据权利要求2所述的方法，其中，所述AI芯片集合包括第一AI芯片和第二AI芯片，所述第一AI芯片运行目标检测模型和属性识别模型，所述第二AI芯片运行所述目标检测模型和表情识别模型。

4.根据权利要求3所述的方法，其中，所述对所述图像进行图像识别，生成至少两个识别子结果，包括：

所述第一AI芯片将所述图像输入至所述目标检测模型，得到所述图像中的目标的位置信息，将所述图像和所述图像中的目标的位置信息输入至所述属性识别模型，得到所述图像中的目标的属性信息，基于所述图像中的目标的位置信息和属性信息，生成所述图像的第一识别子结果；

所述第二AI芯片将所述图像输入至所述目标检测模型，得到所述图像中的目标的位置信息，将所述图像和所述图像中的目标的位置信息输入至所述表情识别模型，得到所述图像中的目标的表情信息，基于所述图像中的目标的位置信息和表情信息，生成所述图像的第二识别子结果。

5.根据权利要求1-4之一所述的方法，其中，所述AI芯片集合中的AI芯片与所述集成电路芯片之间通过通用串行总线连接。

6.根据权利要求1-4之一所述的方法，其中，所述AI芯片集合中的AI芯片通过移动产业处理器接口MIPI并联。

7.一种用于识别图像的系统，包括：集成电路芯片和人工智能AI芯片集合，所述AI芯片集合包括至少两个AI芯片，所述至少两个AI芯片并联；

所述集成电路芯片，被配置成采集图像，以及将所述图像发送至所述AI芯片集合；

所述AI芯片集合，被配置成利用所述至少两个AI芯片对所述图像进行图像识别，生成至少两个识别子结果，以及将所述至少两个识别子结果发送至所述集成电路芯片；

所述集成电路芯片，被配置成整合所述至少两个识别子结果，生成识别结果。

8.根据权利要求7所述的系统，其中，所述AI芯片集合运行图像识别过程中的所有深度学习模型，且不同AI芯片运行图像识别过程中的不同业务对应的深度学习模型。

9.根据权利要求8所述的系统，其中，所述AI芯片集合包括第一AI芯片和第二AI芯片，所述第一AI芯片运行目标检测模型和属性识别模型，所述第二AI芯片运行所述目标检测模型和表情识别模型。

10.根据权利要求9所述的系统，其中，

所述第一AI芯片，被配置成将所述图像输入至所述目标检测模型，得到所述图像中的目标的位置信息，将所述图像和所述图像中的目标的位置信息输入至所述属性识别模型，得到所述图像中的目标的属性信息，基于所述图像中的目标的位置信息和属性信息，生成所述图像的第一识别子结果；

所述第二AI芯片，被配置成将所述图像输入至所述目标检测模型，得到所述图像中的目标的位置信息，将所述图像和所述图像中的目标的位置信息输入至所述表情识别模型，得到所述图像中的目标的表情信息，基于所述图像中的目标的位置信息和表情信息，生成所述图像的第二识别子结果。

11.根据权利要求7-10之一所述的系统，其中，所述AI芯片集合中的AI芯片与所述集成电路芯片之间通过通用串行总线连接。

12.根据权利要求7-10之一所述的系统，其中，所述AI芯片集合中的AI芯片通过移动产业处理器接口MIPI并联。

13.根据权利要求11所述的系统，其中，所述集成电路芯片包括系统级芯片和转换芯片；

所述系统级芯片，被配置成采集所述图像，将所述图像转换成数字信号，以及将所述数字信号发送至所述转换芯片；

所述转换芯片，被配置成将所述数字信号转换成MIPI信号，以及将所述MIPI信号发送至所述AI芯片集合。

14.一种人工智能AI芯片集合，包括：至少两个AI芯片，所述至少两个AI芯片并联，每个AI芯片包括：

存储部件，其上存储有一个或多个程序；

调度部件，被配置成根据待执行指令进行指令调度；

至少一个通用执行部件，被配置成接收所述调度部件发送的指令，执行对应的程序；和/或根据所述调度部件发送的指令生成子指令，并将生成的子指令发送至对应的专用执行部件；

至少一个专用执行部件，被配置成接收所述至少一个通用执行部件发送的子指令，执行对应的程序，其中，一个或多个专用执行部件执行对应的程序时实现如权利要求1-6中任一所述的方法。

15.一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-6中任一所述的方法。

16.一种电子设备，包括：处理器、存储装置和至少一个如权利要求14所述的人工智能AI芯片集合。

Images