چگونه تشخیص بهینه شیء باعث پیشرفت دستگاه های لبه کوچک می شود


ما هیجان زده هستیم که Transform 2022 را به صورت حضوری در 19 ژوئیه و تقریباً 20 تا 28 ژوئیه بازگردانیم. برای گفتگوهای روشنگر و فرصت های شبکه هیجان انگیز به رهبران هوش مصنوعی و داده بپیوندید. امروز ثبت نام کنید!


Emza Visual Sense و Alif Semiconductor یک مدل تشخیص چهره بهینه را نشان داده‌اند که بر روی میکروکنترلر Ensemble Alif بر اساس Arm IP اجرا می‌شود. این دو دریافتند که برای تقویت هوش مصنوعی کم مصرف (AI) در لبه مناسب است.

ظهور سیلیکون، مدل‌ها و چارچوب‌های هوش مصنوعی و یادگیری ماشینی (ML) بهینه‌سازی‌شده، اجرای وظایف استنتاج هوش مصنوعی پیشرفته مانند ردیابی چشم و شناسایی چهره در لبه، با مصرف کم و هزینه کم را ممکن کرده است. این موارد استفاده جدیدی را در زمینه هایی مانند اینترنت اشیاء صنعتی و کاربردهای مصرف کننده باز می کند.

ساخت دستگاه های لبه قدر سریعتر

با استفاده از واحد کنترل چند نقطه ای (MCU) Alif’s Ensemble، که به ادعای Alif اولین MCU است که از میکروNPU Arm Ethos-U55 استفاده می کند، مدل AI “یک مرتبه بزرگی” سریعتر از یک راه حل فقط CPU با M55 در 400 مگاهرتز اجرا کرد. به نظر می رسد Alif به معنای دو مرتبه بزرگی بوده است، زیرا پاورقی ها بیان می کنند که U55 با کارایی بالا 4 میلی ثانیه در مقایسه با M55 394 میلی ثانیه طول کشید. U55 با راندمان بالا این مدل را در 11 میلی ثانیه اجرا کرد. Ethos-U55 بخشی از زیرسیستم Arm’s Corstone-310 است که راه حل های جدیدی را برای آن در آوریل ارائه کرد.

Emza گفت که یک مدل کاملاً “پیچیده” تشخیص چهره را روی NPU آموزش داده است که می تواند برای تشخیص چهره، تخمین زاویه چهره و نشانه های چهره استفاده شود. کد برنامه کامل به مخزن AI منبع باز Arm به نام “ML Embedded Eval Kit” ارائه شده است و آن را به اولین شریک اکوسیستم هوش مصنوعی Arm که این کار را انجام می دهد تبدیل می کند. مخزن را می توان برای اندازه گیری زمان اجرا، تقاضای CPU و تخصیص حافظه قبل از در دسترس بودن سیلیکون مورد استفاده قرار داد.

محمد عواد، معاون IoT که در Arm تعبیه شده است، می گوید: «برای آزادسازی پتانسیل هوش مصنوعی نقطه پایانی، ما باید دسترسی توسعه دهندگان اینترنت اشیا به عملکرد بالاتر، جریان های توسعه پیچیده کمتر و مدل های ML بهینه شده را آسان تر کنیم. MCU Alif به بازتعریف آنچه در کوچکترین نقاط پایانی ممکن است کمک می کند و مشارکت Emza از مدل های بهینه سازی شده در مخزن منبع باز Arm AI توسعه هوش مصنوعی لبه را تسریع می کند.

Emza ادعا می کند که فناوری سنجش بصری آن در حال حاضر در میلیون ها محصول ارسال شده است و با این نمایش، الگوریتم های بهینه خود را به فروشندگان SoC و OEM ها گسترش می دهد.

یورام زیلبربرگ، مدیرعامل Emza گفت: «همانطور که ما به افق در حال گسترش دستگاه‌های لبه TinyML نگاه می‌کنیم، Emza روی فعال کردن برنامه‌های کاربردی جدید در طیف گسترده‌ای از بازارها متمرکز شده است. عملاً هیچ محدودیتی برای انواع موارد استفاده حسگر بصری که می‌توانند توسط سخت‌افزار جدید قدرتمند و بسیار کارآمد پشتیبانی شوند، وجود ندارد.»

ماموریت VentureBeat این است که یک میدان شهر دیجیتال برای تصمیم گیرندگان فنی باشد تا دانشی در مورد فناوری سازمانی متحول کننده کسب کنند و معامله کنند. کسب اطلاعات بیشتر در مورد عضویت.