Машинное обучение на Raspberry Pi Pico, RP2040 и будущих микроконтроллерах RPi

Raspberry Pi Pico поставляется с чипом RP2040, но ему не хватает производительности для реализации логического вывода машинного обучения для своих приложений. Однако мы видели пример обнаружения человека через интерфейс ArduCAM и TensorFlow lite. Производительность была довольно медленной. Кроме того, недавняя презентация Эбена Аптона также показала, что из-за низкого энергопотребления плата компенсирует эффективность обработки. В случае использования пограничного вывода и машинного обучения, производительность весьма низкая.

Тизер Эбена Аптона об улучшении машинного обучения и будущих масштабах «Pi Silicon» показал потенциальный рост и развитие приложений для пограничного вывода. Спрос на платы RP2040 выявил потребность рынка в большем количестве плат. Это требование может быть выполнено только в том случае, если на рынке будет доступно больше плат с чипом RP2040, и «партнеры компании, такие как Adafruit, Pimoroni, Adafruit и Sparkfun, начинают выпускать собственное оборудование, многие из которых имеют функции, которых нет в Pico».

RP2040 SoC обеспечивает максимальную производительность для логического вывода машинного обучения при минимальной мощности, это связано с его энергоэффективными двумя ядрами Arm Cortex-M0 +, работающими на сравнительно более высокой частоте 133 МГц. Следовательно, есть несколько сторонних плат Raspberry Pi RP2040, предназначенных для приложений машинного обучения. Рассмотрим некоторые из них:

Плата Arduino Nano RP2040 Connect  для логического вывода машинного обучения

Плата Arduino Nano RP2040 Connect – одна из таких плат с датчиком STMicro MEMS с 9-осевым IMU и микрофоном. Они предназначены для сбора данных, на основе которых может быть выполнено моделирование краевого вывода. Кроме того, плата включает в себя внешнюю флэш-память SPI объемом 16 МБ, модуль u-blox NINA WiFi и Bluetooth для гибкого подключения. «Это может позволить пользователям разрабатывать подключенные продукты с использованием аппаратного обеспечения на базе Raspberry. Надежный радиомодуль с высокой производительностью и Arduino Create IoT Cloud ».

Процессор MicroMod RP2040 от SparkFun

SparkFun также представил процессор MicroMod RP2040, аналогичный другим процессорным картам, совместимым с различными платами-носителями SparkFun. Следовательно, карта MicroMod RP2040 может выступать в качестве динамической надстройки для различных несущих плат в зависимости от приложений пользователей. Плата отлично подойдет для карты RP2040. Для получения дополнительной информации обратитесь к подробной статье о платах процессора и несущих платах SparkFun.

Arducam Pico4ML: новая плата ArduinoML TensorFlow Lite

Arducam намеренно назвала свою плату RP2040 – Arducam Pico4ML. Плата поставляется со всеми сценариями использования Tensorflow Lite Micro на единой платформе. Представители компании заявляют, что «поскольку RP2040 SoC основан на высокочастотном двойном Cortex-M0 +, платформа отлично подойдет для искусственного интеллекта, или, более конкретно, TinyML». Новая плата ArduinoML TensorFlow Lite имеет следующие функции:

  • Обнаружение слова пробуждения
  • Magic wand
  • Обнаружение человека
  • ЖК-дисплей на устройстве
  • Другой сенсорный анализ

Однако, как уже было упоминалось ранее, пример обнаружения человека с использованием Arducam и TensorFlow lite с Raspberry Pi Pico был довольно медленным. Поэтому, по-прежнему остается вопрос, будут ли варианты использования машинного обучения эффективно работать на Arducam Pico4ML. Плата еще не выпущена, поэтому вы можете присоединиться к списку ожидания и следить за обновлениями платы в Twitter. Ссылки на то же доступны на странице продукта.

В презентации Эбена Аптона также был раскрыт план Raspberry Pi по работе над своим текущим чипом RP2040 для повышения его вычислительных мощностей для машинного обучения. Организация стремится создавать облегченные ускорители искусственного интеллекта на устройствах для маломощных логических выводов машинного обучения и периферийных вычислений.

Выражаем свою благодарность источнику из которого взята и переведена статья, сайту cnx-software.com.

Оригинал статьи вы можете прочитать здесь.

5 1 vote
Article Rating
Подписаться
Уведомление о
guest

Этот сайт использует Akismet для борьбы со спамом. Узнайте, как обрабатываются ваши данные комментариев.

0 Комментарий
Inline Feedbacks
View all comments