RISC-V上的V8 JavaScript引擎:进展与未来

需积分: 0 0 下载量 77 浏览量 更新于2024-06-30 收藏 1.07MB PDF 举报
"该报告主要关注的是在RISC-V架构上实现JavaScript引擎V8的工作进展,由Peng Wu进行了解锁V8在RISC-V上的应用的演讲。报告回顾了2020年V8在RISC-V上的移植工作,并提到了后续的开源、合作以及准备向主线代码库上游合并的进程。此外,还介绍了当前的维护状况、Node.js的状态、针对V8与ISA(指令集架构)调优的反馈,以及未来的工作计划。" V8是Google开发的高性能JavaScript和TypeScript运行时环境,被广泛应用于Chrome浏览器和Node.js服务器端JavaScript环境中。这个报告特别关注的是V8如何适应RISC-V架构,这是一种开放源码的精简指令集计算机(RISC)架构,旨在提供低功耗、高效能的计算解决方案。 在2020年,V8开始被移植到RISC-V平台,标志着对这一新兴处理器架构的支持。初期的移植工作完成后,代码被开源,吸引了RIOS实验室、Futurewei和PLCT团队的共同参与。这些团队一起努力,准备将V8的RISC-V支持合并到V8的主线代码库,以实现一个 Tier-1 平台,这意味着它将得到官方支持并具有完整的功能。 报告中提到的"upstreaming process"指的是将RISC-V相关的代码合并到V8的主分支中,这通常涉及到代码审查、性能测试和兼容性验证,以确保新平台支持的质量。"Daily maintain after upstream"则意味着在代码合并后,需要持续维护和更新,以应对JavaScript语言和V8引擎的不断发展。 关于"node.js status",Node.js是一个基于Chrome V8引擎的JavaScript运行时,因此在RISC-V上成功运行V8对于Node.js在该平台上的支持至关重要。这部分可能涵盖了Node.js在RISC-V上的性能、稳定性和可用性。 "Feedback from tuning V8 to the ISA"这部分可能涉及到在优化V8以适应RISC-V指令集架构过程中遇到的问题和解决方案。优化可能包括指令集的特殊特性利用、内存管理优化、编译器后端的调整等,以提升性能和效率。 最后,"future work"部分预示着团队将继续进行的项目,可能包括进一步的性能优化、增加新特性的支持、与其他RISC-V生态系统的集成,以及解决可能出现的新挑战。 总体来说,这份报告揭示了V8在RISC-V上的移植和优化工作,对于RISC-V生态系统的成熟和发展,以及JavaScript和Node.js在低功耗设备和嵌入式系统中的应用具有重要意义。通过不断的努力和改进,V8在RISC-V上的支持将为开发者提供更多的选择,推动整个开源硬件和软件社区的进步。
2024-09-06 上传
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R