随着多模态大模型、视频理解、内容生成和工业视觉等场景快速发展，图像与视频数据的高效处理正成为AI应用的重要基础能力。近日，摩尔线程完成开源库CV-CUDA在MUSA上的兼容支持，使这一面向计算机视觉场景的GPU加速库能够在摩尔线程全功能GPU上稳定运行。
此次兼容支持进一步打通了图像预处理、视觉算子加速与AI数据流水线之间的关键链路，帮助开发者将更多视觉处理任务迁移到GPU侧执行，为在国产GPU平台上构建高效视觉计算应用提供新的选择。
平滑迁移，拓展视觉计算能力
CV-CUDA是面向视觉数据处理场景的开源GPU加速库，能够帮助开发者把传统CPU侧的图像处理任务迁移到GPU侧运行，缓解数据预处理瓶颈。完成在MUSA上的兼容支持后，开发者可以在摩尔线程全功能GPU上沿用熟悉的开发方式，构建高效的视觉处理流水线。
对于已经使用CV-CUDA的开发者而言，这意味着可以在较低迁移成本下，获得国产GPU平台上的并行计算加速能力；对于新项目而言，CV-CUDA在MUSA上的兼容支持也为视觉AI应用提供了更加完整的底层能力支撑。
性能实测，典型场景加速明显
在完成基础功能验证的基础上，CV-CUDA在MUSA上针对典型图像处理场景进行了性能测试。结果显示，在几何变换、图像缩放和部分像素级处理任务中，相关算子展现出良好的加速效果，有助于提升高分辨率图像预处理与多路数据输入的整体吞吐。
图 1：OpenCV CPU与CV-CUDA MUSA重点加速场景对比。数据来自摩尔线程实验室。测试环境：Ubuntu 22.04.4 LTS，AMD Ryzen 7 5700G with Radeon Graphics，8核16线程，MUSA driver 5.1，MTT S5000，输入形状为1x1080x1920。
上图展示了OpenCV CPU与CV-CUDA在MUSA上的运行结果对比。可以看到，WarpPerspective、WarpAffine、Rotate、Resize、Remap、BilateralFilter、Threshold等常见操作均获得了明显提速。
进一步将CV-CUDA在MUSA与CUDA后端上的参考结果并列展示，也可以看出MUSA后端在国产GPU平台上的加速能力与兼容价值。
图 2：OpenCV CPU、CV-CUDA MUSA与CV-CUDA CUDA重点场景对比。数据来自摩尔线程实验室。MUSA平台：Ubuntu 22.04.4 LTS，AMD Ryzen 7 5700G with Radeon Graphics，8核16线程，MUSA driver 5.1，MTT S5000；CUDA平台：Ubuntu 22.04.5 LTS，11th Gen Intel Core i7-11700K@3.60GHz，8核16线程，NVIDIA GeForce RTX 4080，NVIDIA driver 590.48.01，驱动报告CUDA 13.1。两组结果均使用1x1080x1920输入。
这些结果表明，CV-CUDA在MUSA上已经形成了可用、可落地的视觉计算基础能力，可为多模态训练、视频理解、智能制造、自动驾驶感知和内容生成等应用提供更高效的数据处理支持。
场景化应用，释放产GPU生产力
图像和视频数据通常需要经过解码、格式转换、几何变换、裁剪、归一化和增强等多个步骤。CV-CUDA在MUSA上的支持，使图像处理任务能够从CPU迁移到GPU，减少数据处理瓶颈，让GPU算力更充分地服务于实际业务场景。
这一能力可广泛应用于：
▼ 多模态大模型训练中的图像与视频预处理；
▼ 视觉检测、分割、识别等模型推理前处理；
▼ 大规模数据增强与高吞吐训练流水线；
▼ 视频分析、内容理解和智能生成场景；
▼ 工业视觉、智能制造、自动驾驶感知等高性能视觉任务。
开放共建，完善AI软件生态
摩尔线程始终致力于构建开放、兼容、易用的国产GPU软件生态。此次完成CV-CUDA在MUSA上的兼容支持，不仅丰富了MUSA软件栈在计算机视觉方向的能力，也进一步提升了国产全功能GPU对主流AI基础软件生态的支撑能力。
摩尔线程将持续优化CV-CUDA在MUSA上的支持能力，进一步完善算子覆盖范围，提升关键场景性能，并加强与上层AI框架和应用工具链的协同，携手开发者、合作伙伴和开源社区，共同推动更加开放、高效、自主的AI算力新生态。
*以上测试数据来自摩尔线程实验室。