由于卫星部件尺寸和成本的减小,卫星的使用范围越来越广。因此,一些规模较小的组织已经有能力部署卫星,并在卫星上运行各种数据密集型应用程序。一种流行的应用是图像分析,用于检测陆地、冰、云等。用于地球观测。然而,部署在卫星上的设备的资源受限性质为这种资源密集型应用带来了额外的挑战。在本文中,我们介绍了为该卫星构建图像处理单元 (IPU) 的工作和经验教训。我们首先强调基于部署卫星对在轨卫星图像进行机器学习的资源限制,包括所需的延迟、功率预算和推动这种解决方案需求的网络带宽限制。然后,我们研究了各种边缘设备(比较 CPU、GPU、TPU 和 VPU)在卫星上进行基于深度学习的图像处理的性能。我们的目标是确定在工作负载发生变化时具有灵活性的设备,同时满足卫星的功率和延迟限制。我们的结果表明,ASIC 和 GPU 等硬件加速器对于满足延迟要求至关重要。但是,带有 GPU 的最先进的边缘设备可能会消耗过多的功率,无法部署在卫星上。
主要关键词