RK3566 Goldfinger ontwikkelbord kernbord

TC-RK3566 Kenmerken

TC-RK3566 Hoogtepunten 1: Krachtige CPU

Nieuwe ARM-architectuur en geavanceerd proces zorgen voor hogere prestaties en energie-efficiëntie

TC-RK3566 Hoogtepunten 2: Nieuwe generatie (3e generatie) Rockchip ISP

tot

Krachtige HDR-functie maakt het beeld duidelijk bij tegenlicht of sterke lichtomstandigheden

Ondersteuning voor gelijktijdige zoomuitvoer met twee kanalen

Ruisonderdrukkingsfunctie, zodat het beeld bij weinig licht ook delicaat is

Ondersteuning ontwasemingsfunctie, kan duidelijk zien, zelfs in nevel

Ondersteuning van laterale correctie van LDCH om de vervorming veroorzaakt door de sensorlens te verwijderen

TC-RK3566 Hoogtepunt 3: Krachtige multimediadecodeer-/codeermogelijkheden

Ondersteuning van 4KP60 H.264/H.265/VP9 en andere formaten HD-decodering

Ondersteuning voor gelijktijdige decodering van meerdere videobronnen

Ondersteuning van HDR10, uitstekende prestaties in kleur en dynamisch bereik

Ondersteuning voor nabewerking van afbeeldingen, de-interleaving, denoising, kleurverbetering, resolutieverhoging

Ondersteuning van 1080p 60fps H.264- en H.265-formaatcodering

Ondersteuning van dynamische bitsnelheid, framesnelheid, resolutie-aanpassing

TC-RK3566 Hoogtepunt 4: Geïntegreerde efficiënte RKNN AI-verwerkingseenheid

NPU met 0.8TOPs rekenkracht

Geïntegreerde hardwareversneller voor neuraal netwerk, ondersteunt INT8, INT16, FP16 efficiënte werking

NPU-hardware ondersteunt native technologieën zoals samenvoeging vóór verwerking, kanaalkwantisering en nul overslaan

Ondersteuning van lossless compressie van INT8, INT16, FP16 neurale netwerkparameters

De NPU-kern ondersteunt gewone convolutie, door diepte te scheiden convolutie, deconvolutie, gatenconvolutie, volledig verbonden laag en poollaag

Interne NPU-blokken omvatten multiply-add-bewerkingen, activering, LUT en precisieconversie-eenheden, en ondersteuning voor aangepaste laagconstructie

Ondersteuning van modelconversie met één klik, ondersteuning van Caffe/TensorFlow/TF-Lite/ONNX/PyTorch/Keras/Darknet mainstream framework-modellen