DX-AllSuite アーキテクチャ概要

このガイドでは、DXNN (DEEPX Neural Network) SDK アーキテクチャ、コアモジュール、およびサポート環境についての包括的な概要を提供します。

DX-AllSuite を使う理由

DX-AllSuite は、モデル最適化からターゲットハードウェアへのデプロイまでの複雑なパイプラインを 単一ワークフロー に統合します。

• ゼロコードデプロイ: デスクトップで検証されたロジックをコード変更なしにエッジデバイスに直接デプロイします。
• リソース最適化: 環境設定やシステム統合に費やす時間を削減し、高性能 AI アプリケーションの構築に集中できます。
• エンドツーエンドソリューション: 単一パッケージ内でモデルコンパイル、シミュレーション、ランタイム実行、監視を提供します。

システムアーキテクチャとコアモジュール

図. DXNN SDK 全体アーキテクチャ概要。

[1] AI モデルコンパイル環境 (ホストプラットフォーム) この環境は、学習済み AI モデルを DEEPX NPU 専用バイナリ (.dxnn) に変換・最適化します。x86_64 PC 環境をサポートします。

• DX-COM (コンパイラー): ONNX モデルとユーザー設定 (JSON) ファイルに基づいて .dxnn バイナリを生成するコアコンパイラーです。独自アルゴリズムを使用して精度損失を最小化しながらモデルをハードウェア最適化命令に変換し、低レイテンシかつ高効率な推論を実現します。
• DX-TRON (ビジュアライザー): .dxnn モデルの構造を視覚化・分析するための GUI ツールです。色分けされたグラフで NPU と CPU 間のワークロード分散を直感的に示し、開発者が実行フローを理解してパフォーマンスを最適化するのに役立ちます。
• DX-ModelZoo: DEEPX NPU に最適化された事前学習済みモデルのリポジトリです。ONNX モデル、JSON 設定、事前コンパイル済み .dxnn バイナリを提供することで、開発者はコンパイル過程なしにすぐにモデルをテスト・デプロイできます。

[2] AI モデルランタイム環境 (ターゲットプラットフォーム) この環境は最適化された .dxnn モデルを実際の NPU ハードウェアで実行し、アプリケーションに統合します。x86_64 と aarch64 の両環境をサポートします。

• DX-RT (ランタイム): ファームウェアおよびドライバーと連携して DEEPX NPU で .dxnn モデルを実行するコアソフトウェアです。モデルロード、I/O バッファ、推論実行、リアルタイム監視を管理し、C/C++ および Python API による柔軟な制御を提供します。
• DX-APP: DX-RT 上に構築されたサンプルアプリケーションです。主要なビジョンタスク（物体検出、顔認識、画像分類など）のリファレンスコードを提供し、開発者がこれらのテンプレートを使用して独自の AI アプリをすばやく構築できます。
• DX-Stream: リアルタイムビデオデータを DEEPX NPU 推論に接続する GStreamer ベースのカスタムプラグインです。前処理、推論、後処理をカバーするモジュラーパイプラインを提供し、インテリジェントカメラなどの高性能 Vision AI アプリケーションに最適化されています。
• ドライバー & FW: PCIe インターフェースを通じた高速データ通信をサポートし、NPU リソーススケジューリングと電力を管理します。ハードウェアとソフトウェア間の安定性を確保しながら、シームレスな推論環境のためにハードウェアの潜在能力を最大化します。

開発ワークフロー 学習済みモデルから NPU 加速までの経路は 4 つの論理的なステップに従います。

• ステップ 1. モデル準備: PyTorch または TensorFlow で学習されたモデルを ONNX 形式にエクスポートします。
• ステップ 2. 最適化 (ホスト): DX-COM を使用して量子化とハードウェア最適化でモデルをコンパイルし、.dxnn ファイルを生成します。
• ステップ 3. デプロイ (ターゲット): 生成された .dxnn ファイルをターゲットデバイスに転送します。
• ステップ 4. 実行 (ターゲット): DX-RT を通じて DEEPX NPU で高速推論を実行します。

技術的互換性 (サポートマトリックス)

DX-AllSuite は最新の OS および幅広いハードウェアアーキテクチャとの実証済み互換性を提供し、開発環境とエッジデプロイ間の安定したブリッジを確保します。

図. DX-Compiler & DX-Runtime サポートエコシステム。

ハードウェア & OS (プラットフォーム)

次の表は、コンパイル (ホスト) と実行 (ターゲット) の両フェーズでサポートされる環境を示します。

カテゴリ	DX-Compiler (ホスト)	DX-Runtime (ターゲット)
アーキテクチャ	x86_64	x86_64, aarch64
OS	Ubuntu 26.04/24.04/22.04/20.04, Fedora, Redhat, CentOS	Ubuntu 24.04/22.04/20.04, Debian 13/12, Windows 11/10
言語	Python 3.8, 3.9, 3.10, 3.11, 3.12, 3.13, 3.14	Python 3.8 以上, C++14 以上 (MSVC/Windows は C++17)

モデル & ソフトウェアエコシステム

サポートされる AI フレームワーク DX-AllSuite は業界標準フレームワークとシームレスに統合し、リファクタリングを最小限に抑えます。

• フレームワーク: Ultralytics (YOLO), TensorFlow, PyTorch, Keras
• フォーマット: ONNX (主要な交換形式)

グローバル AI エコシステムパートナー DXNN SDK がさまざまな業界をリードするプラットフォームで完璧に動作するよう、強力な技術パートナーシップを維持しています。

• クラウド & プラットフォーム: AWS (IoT Greengrass), Baidu, DeGirum
• ビジョン & アルゴリズム: Ultralytics (YOLO シリーズ), CVEDIA
• VMS & セキュリティ: Network Optix (Nx), VCA (Applied Intelligence)
• 組み込み OS: Wind River (VxWorks)

DEEPX ModelZoo & サポートタスク

DEEPX ModelZoo は 358 以上の事前検証済みモデル を提供する包括的なリポジトリです。手動コンパイル不要で、さまざまなハードウェアプロファイルにわたってパフォーマンスと精度をすぐに検証できます。

タスク	代表的なモデル
画像分類	ResNet, ResNeXt, MobileNet, EfficientNet (Lite/V2), ViT/DeiT/BEiT, MobileViT, FastViT, CasViT, RegNet, ShuffleNet, VGG
物体検出	YOLO ファミリー (YOLOv3–YOLOv11, YOLOX, YOLO26), SSD, EfficientDet, NanoDet, DamoYOLO
インスタンスセグメンテーション	YOLACT, YOLOv5-Seg, YOLOv8-Seg, YOLO26-Seg
セマンティックセグメンテーション	DeepLabV3/DeepLabV3+, SegFormer, BiSeNet, UNet
方向付き物体検出 (OBB)	YOLO26-OBB
ゼロショットインスタンスセグメンテーション	FastSAM
顔検出	RetinaFace, SCRFD, ULFGED, YOLOv5-Face, YOLOv7-Face
顔認識	ArcFace (IResNet50/100, MobileFaceNet, R50)
顔ランドマーク	TDDFA v2 (MobileNet バリアント)
顔属性	FaceAttrResNetV1-18
姿勢推定 (人体)	CenterPose, YOLO26-Pose, YOLOv8-Pose