Coral Dev Board Micro — это последняя версия комплекта для разработки Edge AI от Google с кроссоверным процессором/микроконтроллером NXP i.MX RT1176 Cortex-M7/M4 в сочетании с 4 TPU TOPS Edge компании, камерой и микрофоном на плате, которая примерно размером с Raspberry Pi Zero SBC.
Новая плата следует за оригинальной платой Coral Dev на базе NXP i.MX 8M, которая была представлена в 2019 году, и Coral Dev Board mini на базе процессора MediaTek MT8167S, выпущенной в 2020 году, и придерживающаяся тенденции предоставления более компактных решений с более дешевыми хост-процессорами для edge AI.
Технические характеристики Coral Dev Board Micro:
- MCU — процессор NXP i.MX RT1176 с ядром Arm Cortex-M7 с частотой до 1 ГГц, ядром Cortex-M4 с частотой до 400 МГц, 2 МБ встроенной SRAM, ускорители 2D-графики;
- Системная память — 512 Мбит (64 МБ) ОЗУ
- Хранилище — 1 Гбит (128 МБ) флэш-памяти
- Ускоритель ML — сопроцессор Coral Edge TPU, обеспечивающий до 4 TOPS (int8), 2 TOPS на ватт
- Камера – встроенная камера Himax с разрешением 324 x 324.
- Аудио — монофонический микрофон PDM
- Опциональное подключение с дополнительными платами
- Wi-Fi 5 и Bluetooth 5.0
- 10/100M Ethernet с 7 Вт PoE
- USB — 1х порт USB 2.0 Type-C
- Расширение
- 2x 12-контактных разъема GPIO
- 2x 100-контактных разъема Coral между платами
- Разное — 4х светодиода, 2х кнопки переключения
- Источник питания — 5 В через порт USB-C
- Размеры – 65 х 30 мм
Плата работает под управлением FreeRTOS или исходного кода (Arduino) с исходным кодом для программной платформы «coralmicro», которая предоставляет все инструменты для работы с любым из них, размещенным на GitHub. Документацию по API CoralMicro можно найти на веб-сайте Coral.AI вместе с отдельной страницей для API Arduino и руководством по началу работы.
Плата поддерживает TensorFlow Lite для микроконтроллеров (TFLM) вместо TensorFlow Lite (TFLite) для более ранних плат разработки Coral. Тем не менее, Google говорит, что «вы можете запускать сложные модели TFLite, которые в ином случае несовместимы с интерпретатором TFLM, потому что они фактически выполняются на Edge TPU», демонстрируя время вывода для модели оценки позы PoseNet, сегментации людей BoxyPic, SSD MobileNet для обнаружения объектов и несколько других, как показано в таблице ниже.
При выражении в кадрах в секунду это означает около 57 кадров в секунду для классификации изображений MobileNet v1 и 24 кадра в секунду для сегментации людей BodyPix. Google объясняет, что благодаря двухъядерному дизайну можно запускать приложения с низким энергопотреблением на Cortex-M4 (модели Tiny TFLM), а затем активировать Cortex-M7 и Edge TPU для более сложных моделей TFLite за счет повышенного энергопотребления.
Запуск моделей TFLite и TFLM на Coral Dev Board Micro аналогичен запуску TensorFlow Lite на платах с процессорами приложений, но есть небольшие отличия:
Одно из отличий TFLM от TFLite заключается в том, что вам нужно указать операции, используемые вашей моделью, добавив их в MicroMutableOpResolver. Например, если ваша модель использует 2D-свертку, вам нужно вызвать AddConv2D(). Таким образом, вы экономите память, компилируя только те операционные ядра, которые вам действительно нужны для запуска вашей модели на MCU. Однако если ваша модель скомпилирована для работы на Edge TPU, вам также необходимо добавить пользовательскую операцию Edge TPU, которая учитывает все операции, выполняемые на Edge TPU. Например, при использовании SSD MobileNet для обнаружения объектов на Edge TPU только операции деквантизации и постобработки выполняются на MCU, а остальные делегируются настраиваемой операции Edge TPU.
Более подробную информацию вы найдете в объявлении. Плата Coral Dev Board Micro также является самой дешевой платой из семейства, доступного в настоящее время для предварительного заказа по цене 79,99 долларов по сравнению с 99,99 долларов за Coral Dev Board Mini под управлением Linux (Debian).
Обновление: сообщение было первоначально опубликовано 24 января 2022 г. и изменено после появления (предварительного заказа) платы Coral Dev Board Micro.
Выражаем свою благодарность источнику из которого взята и переведена статья, сайту cnx-software.com.
Оригинал статьи вы можете прочитать здесь.