NPU trainierte Vision

KI-Starterset mit NXPs Neural Processing Unit
Damit Entwickler schneller zu ihren individuellen KI-basierten Embedded-Vision-Lösungen kommen, bieten sich vorkonfigurierte Embedded-Vision-Baukästen an. Congatec hat eine Lösungsplattform zusammen mit Basler auf Basis des NXP i.MX 8 Plus Prozessors entwickelt, der eine integrierte Neural Processing Unit (NPU) hat.
Bild 1 | Das congatec Starterset für KI-Vision integriert eine Basler dart Kamera, ein SMARC 2.1 Carrierboard mit 2x MIPI CSI und ein SMARC 2.1 Modul.
Bild 1 | Das congatec Starterset für KI-Vision integriert eine Basler dart Kamera, ein SMARC 2.1 Carrierboard mit 2x MIPI CSI und ein SMARC 2.1 Modul.Bild: congatec AG

Entwickler von KI-basierten Anwendungen setzen auf kompakte und vorkonfigurierte Embedded-Vision-Baukästen, die bewährte Hardware und Software der KI energieeffizient kombinieren. Aktuell sind Lösungen gefragt, die vor allem auf das Edge Computing abgestimmt sind. Für KI-basierte Systeme liegt hier der neuralgische Punkt, um in Echtzeit aus Bildinformationen fundierte Entscheidungen zu treffen. Der Umweg über eine cloudbasierte Analyse ist dagegen nicht nur zeitaufwändiger, sondern auch von einer kontinuierlichen Verfügbarkeit des Netzes abhängig. Am Edge ist man jedoch immer am Ort des Geschehens und kann in Sekundenbruchteilen autark visuelle Bilddaten erfassen und auswerten.

NPU für Embedded Vision

Damit am Edge jedoch eine Computerleistung erbracht werden kann, die für Deep Learning und Maschinelles Lernen benötigt wird, ist ein neuromorpher Prozessor (NPU, Neural Processing Unit) unabdingbar. Eine NPU eignet sich insbesondere für die Analyse von Bildern und Mustern und wird dadurch zur zentralen Recheneinheit für ein KI-basiertes Embedded-Vision-System. Neuromorphe Prozessoren können ereignisgesteuert arbeiten und benötigen nur gelegentlich Energie, wodurch NPUs selbst bei hoher Rechen- und Grafikleistung nur wenige Watt an Leistung benötigen. Gleichwohl können solche Low-Power NPUs eine Leistung mehrerer TOPS erzielen und genügen damit den Anforderungen, die Entwickler beim Edge-Computing für ihre Embedded-Systeme haben.

Edge Vision-Starterset

Bild 2 | Das SMARC 2.1 Modul conga-SMX8-Plus bringt die neuromorphe Intelligenz ans Edge bei nur 6W TDP.
Bild 2 | Das SMARC 2.1 Modul conga-SMX8-Plus bringt die neuromorphe Intelligenz ans Edge bei nur 6W TDP.Bild: congatec AG

Der i.MX 8M Plus Prozessor von NXP ist mit einer solchen NPU ausgestattet. Kombiniert mit vier Arm Cortex-A53 Kernen und einem Arm Cortex-M7 Controller erzielt die Einheit bis zu 2,3 TOPS. Zudem besitzt der Prozessor einen ISP für die parallele Echtzeitverarbeitung von hochaufgelösten Bildern und Videos. Er erlaubt bereits bei der Bilderfassung eine Bildvorverarbeitung, damit die NPU im Nachgang bessere Ergebnisse liefern kann. Um den Einsatz des NXP Prozessors zu beschleunigen, hat Congatec ein Starterset konzipiert, das Edge-Anwendungen schnell und sicher KI-Vision ermöglicht. Herzstück des Embedded-Vision-Baukastens ist ein kreditkartengroßes SMARC 2.1 Computer-on-Module (COM) mit dem i.MX 8M Plus Prozessor. Das Modul kann bis zu drei unabhängige Displays ansteuern und verfügt über eine hardwarebeschleunigte Dekodierung und Kodierung von Videodaten. Der Videokomprimierungsstandard H.265 sorgt dafür, dass sich von der NPU vorselektierte hochauflösende Kamerastreamsequenzen der beiden integrierten MIPI-CSI-Schnittstellen auch direkt über das Netzwerk an zentrale Leitstellen übertragen lassen. An Datenspeicher finden Entwickler auf dem Smarc 2.1 basierten COM bis zu 128GB eMMC-Speicher. Das mit mehreren Peripherieschnittstellen ausgestattete Modul bietet Zugriff auf ein umfangreiches Ökosystem für KI-basierte Embedded-System. Für den Betrieb benötigt das SMARC Modul eine Leistung von lediglich 2 bis 6W.

Individuelle Anpassung mit eIQ

NXP bietet für die individuelle Gestaltung von Embedded Vision Anwendungen softwareseitig die Plattform eIQ Machine Learning an, wobei die Abkürzung für Edge-Intelligenz steht. Entwickler erhalten für ihre KI-basierten Systeme Zugriff auf eine Entwicklungsumgebung, die unterschiedliche Bibliotheken und Development-Tools vereint und auf Mikroprozessoren und Mikrocontroller von NXP abgestimmt sind. Dazu gehören softwarebasierte Inferenzmaschinen, die durch Schlussfolgerungen neue Fakten aus bestehenden Daten und Erkenntnissen ableiten können. Von eIQ werden Inferenzmaschinen und Bibliotheken wie Arm Neural Network (NN) und TensorFlow Lite unterstützt.

Seiten: 1 2Auf einer Seite lesen

Das könnte Sie auch Interessieren

Anzeige

Anzeige

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

„Künstliche Intelligenz ist eine, wenn nicht die wichtigste Zukunftstechnologie für Unternehmen.“ Diese Aussage bejahen 70 Prozent der Befragten der jüngsten Bitkom-Studie zu KI. Aber nur 10 Prozent aller Unternehmen haben KI-Technologie aktiv im Einsatz, lediglich 30 Prozent planen und diskutieren deren Anwendung. Was ist der Grund für diese große Diskrepanz?

Bild: Blue Yonder, Inc.
Bild: Blue Yonder, Inc.
Künstliche Intelligenz – mehr als eine Wissenschaft

Künstliche Intelligenz – mehr als eine Wissenschaft

Data Science ist mittlerweile ein fester Bestandteil der strategischen Planung in vielen Unternehmen. Um künftige Entwicklungen realistisch zu planen, brauchen wir Künstliche Intelligenz (KI) und Maschinelles Lernen (ML). Insbesondere im Einzelhandel vertrauen immer mehr große Player auf KI-Lösungen, die präzise Prognosen ermöglichen und zum Beispiel Bestände oder Preise optimieren. Doch viele Entscheidungsträger glauben noch nicht daran, dass KI in den Lieferketten der Zukunft eine tragende Rolle spielen wird. Der Grund hierfür liegt in einer falschen Sicht auf die Wissenschaft.

Bild: ©Stock57/stock.adobe.com
Bild: ©Stock57/stock.adobe.com
KI-Verfahren für die Produktion

KI-Verfahren für die Produktion

Mathematiker der Hochschule Darmstadt (h_da) entwickeln gemeinsam mit dem Hanauer Simulationsdienstleister und Softwareunternehmen SimPlan und dem Automationsexperten Fibro Läpple Technology neue KI-Technologien. Im Rahmen des Loewe-Projekts ‚KISPo‘ will das Konsortium eine autonome, selbstlernende Steuerungssoftware für Produktionsanlagen entwickeln, wie sie z.B. bei der Herstellung von Komponenten für Windräder oder Elektromotoren zum Einsatz kommen. Es wäre die erste KI-Software dieser Art. Damit würde eine von Industrieverbänden und Forschung lange bemängelte Technologielücke geschlossen. Das Land Hessen fördert das Projekt für zwei Jahre mit 320.000 Euro. Konsortialführerin ist die Hochschule Darmstadt.

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Chancen und Herausforderungen von Machine Learning in der Fertigung

Chancen und Herausforderungen von Machine Learning in der Fertigung

Automatisierung, künstliche Intelligenz (KI), Internet of Things (IoT) und Machine Learning (ML) sind heutzutage bekannte Technologien und kommen bereits in vielen Unternehmen zum Einsatz. Mit Hilfe von Machine Learning wird es IT-Systemen ermöglicht, Muster und Zusammenhänge aus Daten zu lernen und sich selbst zu verbessern. Dabei ist keine explizite Programmierung notwendig. Die Bearbeitung von Kundenanfragen, die Erkennung möglicher Störfälle sowie unerwarteter Ereignisse wie z.B. Cyberangriffe sind klassische Anwendungsfelder von ML. Aber auch die Unterstützung bei einer rein datengestützten Entscheidungsfindung und die Interpretation großer Datenmengen gehören dazu.

Bild: ©Shuo/stock.adobe.com
Bild: ©Shuo/stock.adobe.com
Sensoren lernen das Denken

Sensoren lernen das Denken

Im Fraunhofer-Leitprojekt NeurOSmart forscht das Fraunhofer IPMS zusammen mit vier weiteren Instituten (ISIT, IMS, IWU, IAIS) unter Leitung des Fraunhofer ISIT gemeinsam an energieeffizienten und intelligenten Sensoren für die nächste Generation autonomer Systeme. Dabei sollen die Brücken zwischen Wahrnehmung und Informationsverarbeitung durch innovative Elektronik neu definiert werden.

Bild: ©ipopba/stock.adobe.com
Bild: ©ipopba/stock.adobe.com
Wie KI 2022 praktikabel wird

Wie KI 2022 praktikabel wird

Künstliche Intelligenz war bereits in der Vergangenheit in aller Munde, schaffte es aber doch oft nicht bis in die Anwendung. Das wird sich 2022 ändern – auch weil sich langsam Standards etablieren und sich neue, konkrete Einsatzmöglichkeiten ergeben. In welchen Bereichen Business-Implementierungen zu erwarten sind, erläutert Bernhard Niedermayer, Head of AI bei Cloudflight.

Anzeige

Anzeige

Anzeige