记录:ThinkPad更改开机logo时,若选用jpeg格式图片时,图片注意必须采用yuv420格式(采用其他格式会不识别图片导致刷BIOS图片失败)
改完logo以后看着就是舒服,不接受反驳。
小技巧:使用Photoshop导出的图片若编码为yuv444格式,可使用系统自带的画图软件打开,再另存为jpeg格式,这样就可以转换成yuv420编码格式了。(实际上是我还没玩透PS,另存为图片选项卡里面不会调图片的大小,只会在导出图片选项卡里面调图片大小,所以这种办法对我来说更方便一些。)
使用的PS版本:2020。
改完logo以后看着就是舒服,不接受反驳。
小技巧:使用Photoshop导出的图片若编码为yuv444格式,可使用系统自带的画图软件打开,再另存为jpeg格式,这样就可以转换成yuv420编码格式了。(实际上是我还没玩透PS,另存为图片选项卡里面不会调图片的大小,只会在导出图片选项卡里面调图片大小,所以这种办法对我来说更方便一些。)
使用的PS版本:2020。
前两天找视频格式资料的时候,有篇文章讲 I420、NV12、YV12 等视频格式比知乎啥的讲得更好些,大概的整理一下看起来简单点。
视频图像的编码、传输如使用 RGB,则 RGB 每个像素完整采样三个分量,采样比例 1:1:1(分量采样数)。按照 RGB 字面描述的分量顺序排列称为字面顺序,按实际存储的分量顺序称为字节顺序如 BGR。由于不同场景下的存储顺序不同,再加上 Alpha 通道,就衍生出了 RGBA、BGRA、ARGB 等不同格式。如读取顺序错误,就会产生错误的图片颜色。
视频图像的编码、传输如使用 RGB,即使只表示黑白也需要存储三个分量,而 YUV 不但可以与 RGB 无损转换,向前兼容,还能节省带宽,故使用 YUV 进行传输(黑白电视只需接收 Y 信号即可)。
YUV 格式中的 UV 可以降采样,即我们常说的 4:2:2,4:2:0 等,对于这个我这里就不多说了,懂的都懂。
YUV 的一种存储结构:平面(Plane)。按 YUV 存储时的各分量的排列顺序不同、使用的平面数量不同,可以将 YUV 存储格式分为三大类:打包/紧缩模式(Packed)、平面模式(Planar)和 半平面模式(Semi-Planar)。
简单理解:
◆ 打包/紧缩模式(Packed):使用一个平面进行存储。将每个像素的 Y、U、V 分量打包后连续、交错存储
◆ 平面模式(Planar):使用三个平面进行存储。平面1上连续存储所有像素点 Y 分量;平面2上存储所有像素点 U 分量;平面3上存储所有像素点 V 分量(U 和 V 的顺序可交换)
◆ 半平面模式(Semi-Planar):使用两个平面进行存储。平面1上连续存储所有像素点 Y 分量;平面2上连续、交错存储所有像素点 U、V分量(U 和 V 顺序可交换)。
◇ YUV 4:4:4 采样、打包模式存储下,YUV 类型为 YUV444。
◇ YUV 4:4:4 采样、平面模式存储下,如果按先 Y、再 U 、最后 V 的顺序存储,为 I444。如果调整存储顺序为先 Y、再 V 、最后 U,类型为 YV24 。
◇ YUV 4:4:4 采样、半平面模式存储下,如果第二个平面按 U、V 顺序存储,为 NV24。若使用 V、U 的顺序存储,则为 NV42。
◇ YUV 4:2:2 采样、打包模式存储下,得到的 YUV 格式为 YUVY。按照 Packed 内各分量顺序不同,还可以得到 YUV 类型 VYUY(YUY2) 和 UYVY。
◇ YUV 4:2:2 采样、平面模式存储下,若后两个平面先存 U 后存 V ,则 YUV 类型为 I422。若先存 V 后存 U ,则得到 YUV 类型 YV16。
◇ YUV 4:2:2 采样、半平面模式存储下,第二个平面内若按 U、V 顺序交错存储,则 YUV 类型 NV16。若按 V、U 顺序交错存储,则 YUV 类型 NV61。
YUV 4:2:0 主要使用平面模式和半平面模式:
◇ YUV 4:2:0 采样、平面模式存储下,若后两个平面先存 U 后存 V ,则 YUV 类型 I420(YU12)。若先存 V 后存 U ,则YUV 类型 YV12。
◇ YUV 4:2:0 采样、半平面模式存储下,第二个平面若按 U、V 顺序交错存储,则 YUV 类型 NV12。若按 V、U 顺序交错存储,则 YUV 类型 NV21。
一般 Android 系统相机使用 NV21,iOS、MAC 系统相机使用 NV12。
行了我也快被绕晕了[笑cry]
视频图像的编码、传输如使用 RGB,则 RGB 每个像素完整采样三个分量,采样比例 1:1:1(分量采样数)。按照 RGB 字面描述的分量顺序排列称为字面顺序,按实际存储的分量顺序称为字节顺序如 BGR。由于不同场景下的存储顺序不同,再加上 Alpha 通道,就衍生出了 RGBA、BGRA、ARGB 等不同格式。如读取顺序错误,就会产生错误的图片颜色。
视频图像的编码、传输如使用 RGB,即使只表示黑白也需要存储三个分量,而 YUV 不但可以与 RGB 无损转换,向前兼容,还能节省带宽,故使用 YUV 进行传输(黑白电视只需接收 Y 信号即可)。
YUV 格式中的 UV 可以降采样,即我们常说的 4:2:2,4:2:0 等,对于这个我这里就不多说了,懂的都懂。
YUV 的一种存储结构:平面(Plane)。按 YUV 存储时的各分量的排列顺序不同、使用的平面数量不同,可以将 YUV 存储格式分为三大类:打包/紧缩模式(Packed)、平面模式(Planar)和 半平面模式(Semi-Planar)。
简单理解:
◆ 打包/紧缩模式(Packed):使用一个平面进行存储。将每个像素的 Y、U、V 分量打包后连续、交错存储
◆ 平面模式(Planar):使用三个平面进行存储。平面1上连续存储所有像素点 Y 分量;平面2上存储所有像素点 U 分量;平面3上存储所有像素点 V 分量(U 和 V 的顺序可交换)
◆ 半平面模式(Semi-Planar):使用两个平面进行存储。平面1上连续存储所有像素点 Y 分量;平面2上连续、交错存储所有像素点 U、V分量(U 和 V 顺序可交换)。
◇ YUV 4:4:4 采样、打包模式存储下,YUV 类型为 YUV444。
◇ YUV 4:4:4 采样、平面模式存储下,如果按先 Y、再 U 、最后 V 的顺序存储,为 I444。如果调整存储顺序为先 Y、再 V 、最后 U,类型为 YV24 。
◇ YUV 4:4:4 采样、半平面模式存储下,如果第二个平面按 U、V 顺序存储,为 NV24。若使用 V、U 的顺序存储,则为 NV42。
◇ YUV 4:2:2 采样、打包模式存储下,得到的 YUV 格式为 YUVY。按照 Packed 内各分量顺序不同,还可以得到 YUV 类型 VYUY(YUY2) 和 UYVY。
◇ YUV 4:2:2 采样、平面模式存储下,若后两个平面先存 U 后存 V ,则 YUV 类型为 I422。若先存 V 后存 U ,则得到 YUV 类型 YV16。
◇ YUV 4:2:2 采样、半平面模式存储下,第二个平面内若按 U、V 顺序交错存储,则 YUV 类型 NV16。若按 V、U 顺序交错存储,则 YUV 类型 NV61。
YUV 4:2:0 主要使用平面模式和半平面模式:
◇ YUV 4:2:0 采样、平面模式存储下,若后两个平面先存 U 后存 V ,则 YUV 类型 I420(YU12)。若先存 V 后存 U ,则YUV 类型 YV12。
◇ YUV 4:2:0 采样、半平面模式存储下,第二个平面若按 U、V 顺序交错存储,则 YUV 类型 NV12。若按 V、U 顺序交错存储,则 YUV 类型 NV21。
一般 Android 系统相机使用 NV21,iOS、MAC 系统相机使用 NV12。
行了我也快被绕晕了[笑cry]
为啥刚说懂车帝用剪映同时播放 10 个视频,以及打开一个网页渲染 3D 去类比 NV 的自动驾驶芯片算力有点瞎扯呢。
首先懂车帝肯定不是全不懂,Drive Orin 是用的 Ampere 架构 GPU 改的,总计 2048 个 CUDA Core 和 64 个 Tensor Core, 那么从这个角度去看,3050 确实就是这个规格。
但自动驾驶芯片主算力不是用来解码媒体拍的这种 H264 或者 H265 视频的,也不是用来渲染 3D 的啊。
衡量自动驾驶芯片算力是 INT8, 这玩意在 Drive Orin 上主要是靠 Tensor Core 提供的,跟渲染 3D 没有任何关系。
自动驾驶芯片也确实要处理视频信号,但是人家处理的是摄像头传回来的 Raw 和 YUV, 跟相机拍出来的视频文件依然没啥可比性。
所以把... 非要拿游戏显卡类比,甚至不如去比一下 DLSS 的效果,DLSS 是真用 Tensor Core 算的。
首先懂车帝肯定不是全不懂,Drive Orin 是用的 Ampere 架构 GPU 改的,总计 2048 个 CUDA Core 和 64 个 Tensor Core, 那么从这个角度去看,3050 确实就是这个规格。
但自动驾驶芯片主算力不是用来解码媒体拍的这种 H264 或者 H265 视频的,也不是用来渲染 3D 的啊。
衡量自动驾驶芯片算力是 INT8, 这玩意在 Drive Orin 上主要是靠 Tensor Core 提供的,跟渲染 3D 没有任何关系。
自动驾驶芯片也确实要处理视频信号,但是人家处理的是摄像头传回来的 Raw 和 YUV, 跟相机拍出来的视频文件依然没啥可比性。
所以把... 非要拿游戏显卡类比,甚至不如去比一下 DLSS 的效果,DLSS 是真用 Tensor Core 算的。
✋热门推荐