为了使城市、工厂、汽车和家庭变得更加智能和高效，复杂的数据处理和分析变得至关重要，因此网络边缘的嵌入式设备上的人工智能 (AI) 正在迅速发展。图像中包含大量信息，人类高度依赖这些信息。计算机视觉 (CV) 和机器学习 (ML) 从信息密集型图像中提取意义（例如人所在的位置）。CV 和 ML 对于机器视觉缺陷检测、机器人视觉测距和测绘、汽车车道检测等应用场景的改进非常重要。识别、生物辨识、跌倒检测和行为识别等以人为本的应用，进一步推动了楼宇门禁和公共安全应用对更智能摄像头的需求。

近年来，云服务主导了视觉分析和机器学习推理，因为嵌入式设备缺乏处理摄像头数据流的能力，例如以超过 30 帧/秒 (FPS) 的速度生成 1080p 图像的安防摄像头。2021 年，Yole 估计家庭安防摄像头的数量为 4510 万台，预计到 2026 年将增长 2.5 倍 [1]，云中的经常性处理成本会随着设备数量的增长呈线性增长，限制了可扩展性。而在边缘进行处理，可以更大程度地降低或完全消除这种经常性成本。边缘 AI 还可以避免时间敏感型应用中的额外网络延迟，并减少以人为中心或消费类电子应用中的隐私问题。

能够在本地运行深度学习和其他复杂分析的 SoC 越来越受欢迎。市场预测估计，到 2026 年，25% 的家庭安防摄像头将采用边缘 AI [1]，而这一部分市场将以 88% 的复合年增长率增长。嵌入式处理器现已具备处理这些应用的能力，但必须仔细权衡功耗与性能。电池供电和手持设备必须保持在几瓦的功率范围内，以避免电池电量过快耗尽或因过热而无法手持。但是，它们还必须保持足够的性能，以达到足够的分析处理速率，例如家庭安防摄像头为 15fps。要选择适当的嵌入式视觉处理器，在很大程度上取决于 AI 性能、图像预处理、视频编码/解码和功耗要求。