RK3566 Core Board

Mga Tampok ng TC-RK3566

TC-RK3566 Highlight 1: High performance na CPU

Ang bagong ARM architecture at advanced na proseso ay nagdudulot ng mas mataas na performance at power efficiency

TC-RK3566 Highlight 2: Bagong henerasyon (3rd Gen) Rockchip ISP

hanggang sa

Ang makapangyarihang HDR function ay ginagawang malinaw ang imahe sa ilalim ng backlight o malakas na mga kondisyon ng liwanag

Suportahan ang dalawahang channel na sabay-sabay na pag-zoom output

Pag-andar ng pagkansela ng ingay, upang ang imahe sa ilalim ng mababang liwanag ay maselan din

Suportahan ang pag-andar ng defogging, nakikita nang malinaw kahit na sa manipis na ulap

Suportahan ang lateral correction ng LDCH para alisin ang distortion na dulot ng sensor lens

TC-RK3566 Highlight 3: Napakahusay na kakayahan ng multimedia decode/encode

Suportahan ang 4KP60 H.264/H.265/VP9 at iba pang mga format na HD decoding

Suportahan ang sabay-sabay na pag-decode ng maraming pinagmumulan ng video

Suportahan ang HDR10, mahusay na pagganap sa kulay at dynamic na hanay

Suportahan ang post-processing ng imahe, deinterleaving, denoising, pagpapahusay ng kulay, pagtaas ng resolution

Suportahan ang 1080p 60fps na H.264 at H.265 na format na encoding

Suportahan ang dynamic na bit rate, frame rate, pagsasaayos ng resolution

TC-RK3566 Highlight 4: Pinagsamang mahusay na RKNN AI processing unit

NPU na may 0.8TOPs computing power

Naka-embed na neural network hardware accelerator, sumusuporta sa INT8, INT16, FP16 na mahusay na operasyon

Ang NPU hardware ay native na sumusuporta sa mga teknolohiya tulad ng pre-processing merging, channel quantization, at zero skipping

Suportahan ang lossless compression ng INT8, INT16, FP16 na mga parameter ng neural network

Sinusuportahan ng core ng NPU ang ordinaryong convolution, depth separable convolution, deconvolution, hole convolution, ganap na konektado na layer at pooling layer

Kasama sa mga panloob na bloke ng NPU ang mga multiply-add operations, activation, LUT at precision conversion units, at sumusuporta sa custom na layer construction

Suportahan ang one-click na conversion ng modelo, suportahan ang Caffe/TensorFlow/TF-Lite/ONNX/PyTorch/Keras/Darknet mainstream na mga modelo ng framework