Przewodnik po rozwiązaniach wykorzystujących sieci neuronowe
NOWOŚĆ! Zestaw rozwiązań od Farnell, który pozwoli Ci rozpocząć pracę nad kolejną innowacją.
Niemal wszystkie urządzenia inteligentne, wypełniające zadania wizji komputerowej, rozpoznawania mowy i przetwarzania sygnałów wykorzystują obecnie sieci neuronowe (sieci NN). W przypadku wspomnianych aplikacji wydajność i dokładność sieci neuronowych osiągnęła punkt rozwoju, w którym badacze uznają je za rozwiązanie bardziej dokładne niż konwencjonalne podejście wykorzystujące algorytmy. Niemniej jednak istnieje zaledwie kilka urządzeń, które pozwalają przy brzegu sieci na implementację i uruchomienie takich rozwiązań wykorzystujących sieci neuronowe na potrzeby szybkiej analizy w czasie rzeczywistym.
Ten przewodnik po rozwiązaniach przedstawia binarną sieć neuronową (BNN) i kwantowaną sieć neuronową (QNN) w zestawie Avnet Ulta96-V2 wykorzystującym nakładki Xilinx PYNQ. Użytkownicy będą mogli implementować aplikacje wykorzystujące sieci neuronowe do rozpoznawania obrazów, na przykład system wykrywania znaków drogowych i system identyfikacji zwierząt ImageNet. Ten projekt objaśnia krok po kroku jak implementować model akceleracji o wysokiej wydajności w oparciu o sprzęt we wbudowanych rozwiązaniach do przetwarzania przy brzegu sieci, wykorzystujących sztuczną inteligencję Internetu rzeczy (AIoT) zamiast stosować implementację oprogramowania, które charakteryzuje się swoimi własnymi ograniczeniami.
Zakres wiedzy:
- Heterogeniczne i w pełni programowalne urządzenia dla sieci neuronowych
- Rozumienie nakładek PYNQ i PYNQ
- Poznaj najlepsze ścieżki do rozpoczęcia pracy z PYNQ i Ultra96-V2
- Sieci neuronowe i architektura
- Wyzwania w obrębie implementacji sieci neuronowych
- Konfiguracja sprzętu Ultra96-V2 na potrzeby rozruchu struktury PYNQ
- Notebook Python Jupyter pracujący na rozwiązaniu Ultra96
- Przykład projektu I — wykrywanie znaków drogowych
- Przykład projektu II — rozpoznawanie zwierząt
Wymagany sprzęt
Pobierz przewodnik po rozwiązaniach
*Wymagane