{"id":5077,"date":"2023-09-01T12:23:06","date_gmt":"2023-09-01T12:23:06","guid":{"rendered":"https:\/\/picockpit.com\/raspberry-pi\/?p=5077"},"modified":"2023-09-05T11:50:29","modified_gmt":"2023-09-05T11:50:29","slug":"everything-about-the-google-coral-usb-accelerator","status":"publish","type":"post","link":"https:\/\/picockpit.com\/raspberry-pi\/de\/alles-uber-den-google-coral-usb-accelerator\/","title":{"rendered":"Alles \u00fcber den Google Coral USB Accelerator"},"content":{"rendered":"
\"Der<\/figure>\n\n\n\n

In einem unserer YouTube-Videos \u00fcber k\u00fcnstliche Intelligenz schrieb ein Kommentator, dass er nicht so sehr an einer geheimnisvollen KI-Box interessiert sei. Das hat mich dazu inspiriert, einen Artikel zu schreiben, in dem das Geheimnis gel\u00fcftet wird. Hier ist also alles, was Sie wissen m\u00fcssen \u00fcber der Google Coral USB-Beschleuniger<\/a>.<\/p>\n\n\n\n

Der Coral USB Accelerator ist in erster Linie f\u00fcr stromsparende Edge-KI-Anwendungen konzipiert. <\/p>\n\n\n\n

Es eignet sich f\u00fcr Aufgaben wie Bild- und Videoanalyse, Objekterkennung und Spracherkennung auf Ger\u00e4ten wie Raspberry Pi oder Laptops.<\/p>\n\n\n\n

\u00dcbersicht<\/h2>\n\n\n\n

Kurz gesagt, der Google Coral USB Accelerator ist ein Prozessor, der eine Tensor Processing Unit (TPU) verwendet, eine integrierte Schaltung, die sehr gut in der Lage ist, Matrixmultiplikation und -addition durchzuf\u00fchren. <\/p>\n\n\n\n

Die Matrixmultiplikation ist der Stoff, den man zum Aufbau neuronaler Netze braucht. <\/p>\n\n\n\n

Und Sie werden definitiv nicht weit kommen, wenn Sie versuchen, neuronale Netze allein auf Ihrem Raspberry Pi zu erstellen.<\/p>\n\n\n\n

Der Beschleuniger f\u00fcgt also einen weiteren Prozessor hinzu, der speziell f\u00fcr die lineare Algebra zust\u00e4ndig ist, die f\u00fcr maschinelles Lernen erforderlich ist.<\/p>\n\n\n\n

Wie Sie wahrscheinlich wissen, besteht die Idee hinter dem maschinellen Lernen darin, Modelle zu entwickeln, die Muster aus einem Datensatz analysieren und lernen. Dieser Datensatz hat verschiedene Eingaben und entsprechende Ausgaben. Sobald diese Modelle trainiert sind, k\u00f6nnen sie neue Eingaben verarbeiten, die gelernten Muster synthetisieren und entsprechende Ausgaben oder Vorhersagen erstellen.<\/p>\n\n\n

\n
\"Google<\/figure>\n<\/div>\n\n\n

<\/p>\n\n\n\n

TPUs arbeiten beim maschinellen Lernen viel schneller und energiesparender als CPUs, da sie keine anderen Programme ausf\u00fchren und nicht auf den gemeinsamen Speicher zugreifen m\u00fcssen.<\/p>\n\n\n\n

Die TPU auf dem Coral USB Accelerator verwendet TensorFlow Lite, eine modifizierte Version f\u00fcr kleinere Ger\u00e4te.<\/p>\n\n\n\n

Verwendung des Coral USB Accelerator<\/h2>\n\n\n\n

Das Besondere daran ist, dass es die KI-Entwicklung so zug\u00e4nglich macht. <\/p>\n\n\n\n

Die ersten Schritte sind ein Kinderspiel. <\/p>\n\n\n\n

Alles, was Sie wirklich brauchen, ist ein Google Coral USB Accelerator (nat\u00fcrlich) und ein Computer mit einem freien USB-Anschluss und Python 3.5 oder h\u00f6her.<\/p>\n\n\n\n

Und es ist erw\u00e4hnenswert, dass es mit Mac, Windows und Linux (insbesondere mit Debian-basierten Betriebssystemen wie Ubuntu oder dem Raspberry Pi OS) funktioniert. Sie k\u00f6nnen also sicher sein, dass Sie es zum Laufen bringen.<\/p>\n\n\n\n

Bei der Einrichtung m\u00fcssen Sie entscheiden, ob Sie ihn mit maximaler Taktfrequenz oder mit reduzierter Taktfrequenz betreiben wollen. Nat\u00fcrlich ist die maximale Taktfrequenz leistungsf\u00e4higer, aber sie verbraucht auch mehr Strom. Und er kann unglaublich hei\u00df werden.<\/p>\n\n\n

\n
\"Die<\/figure>\n<\/div>\n\n\n

<\/p>\n\n\n\n

Ausf\u00fchren eines Bilderkennungsmodells<\/h2>\n\n\n\n

Auf der Google Coral-Website<\/a>bieten sie einen wunderbaren Test an, um Ihnen zu zeigen, wie der Coral USB Accelerator funktioniert. In ihrem Beispiel ist er in der Lage, verschiedene V\u00f6gel mit ziemlich bemerkenswerter Genauigkeit zu erkennen.<\/p>\n\n\n\n

So f\u00fchren Sie das Bilderkennungsmodell auf Ihrem Raspberry Pi aus. Dies wird mit der reduzierten Taktfrequenz perfekt funktionieren.<\/p>\n\n\n\n

Schalten Sie das Gaspedal noch nicht ein.<\/p>\n\n\n\n

Zun\u00e4chst m\u00fcssen Sie das Terminal aufrufen und den folgenden Code eingeben, um das Edge TPU-Repository hinzuzuf\u00fcgen:<\/p>\n\n\n\n

<\/circle><\/circle><\/circle><\/g><\/svg><\/span><\/path><\/path><\/svg><\/span>
echo<\/span> <\/span>"<\/span>deb https:\/\/packages.cloud.google.com\/apt coral-edgetpu-stable main<\/span>"<\/span> <\/span>|<\/span> <\/span>sudo<\/span> <\/span>tee<\/span> <\/span>\/<\/span>etc<\/span>\/<\/span>apt<\/span>\/<\/span>sources<\/span>.<\/span>list<\/span>.<\/span>d<\/span>\/<\/span>coral<\/span>-<\/span>edgetpu<\/span>.<\/span>list<\/span><\/span>\n<\/span>\ncurl<\/span> https<\/span>:<\/span>\/\/packages.cloud.google.com\/apt\/doc\/apt-key.gpg | sudo apt-key add -<\/span><\/span>\n<\/span>\nsudo<\/span> <\/span>apt<\/span>-<\/span>get<\/span> <\/span>update<\/span><\/span><\/code><\/pre><\/div>\n\n\n\n
<\/p>\n\n\n\n
Installieren Sie dann die Laufzeitumgebung:<\/p>\n\n\n\n
<\/circle><\/circle><\/circle><\/g><\/svg><\/span><\/path><\/path><\/svg><\/span>
sudo<\/span> <\/span>apt<\/span>-<\/span>get<\/span> <\/span>install<\/span> <\/span>libedgetpu1<\/span>-<\/span>std<\/span><\/span><\/code><\/pre><\/div>\n\n\n\n
<\/p>\n\n\n\n
Jetzt kannst du den Beschleuniger anschlie\u00dfen, damit alles synchronisiert ist. Sobald Sie ihn angeschlossen haben, m\u00fcssen Sie PyCoral installieren:<\/p>\n\n\n\n
<\/circle><\/circle><\/circle><\/g><\/svg><\/span><\/path><\/path><\/svg><\/span>
sudo<\/span> <\/span>apt<\/span>-<\/span>get<\/span> <\/span>install<\/span> <\/span>python3<\/span>-<\/span>pycoral<\/span><\/span><\/code><\/pre><\/div>\n\n\n\n
<\/p>\n\n\n\n
Und jetzt k\u00f6nnen Sie das Modell zum Laufen bringen. Zuerst laden Sie den Code herunter:<\/p>\n\n\n\n
<\/circle><\/circle><\/circle><\/g><\/svg><\/span><\/path><\/path><\/svg><\/span>
mkdir<\/span> <\/span>coral<\/span> <\/span>&&<\/span> <\/span>cd<\/span> <\/span>coral<\/span><\/span>\n<\/span>\ngit<\/span> <\/span>clone<\/span> https<\/span>:<\/span>\/\/github.com\/google-coral\/pycoral.git<\/span><\/span>\n<\/span>\ncd<\/span> <\/span>pycoral<\/span><\/span><\/code><\/pre><\/div>\n\n\n\n
<\/p>\n\n\n\n
F\u00fchren Sie dann Folgendes aus:<\/p>\n\n\n\n
<\/circle><\/circle><\/circle><\/g><\/svg><\/span><\/path><\/path><\/svg><\/span>
bash<\/span> <\/span>examples<\/span>\/<\/span>install_requirements<\/span>.<\/span>sh<\/span> <\/span>classify_image<\/span>.<\/span>py<\/span><\/span><\/code><\/pre><\/div>\n\n\n\n
<\/p>\n\n\n\n
Und schlie\u00dflich f\u00fchren Sie das Modell aus:<\/p>\n\n\n\n
<\/circle><\/circle><\/circle><\/g><\/svg><\/span><\/path><\/path><\/svg><\/span>
python3<\/span> <\/span>examples<\/span>\/<\/span>classify_image<\/span>.<\/span>py<\/span> \\<\/span><\/span>\n--<\/span>model<\/span> <\/span>test_data<\/span>\/<\/span>mobilenet_v2_1<\/span>.<\/span>0<\/span>_224_inat_bird_quant_edgetpu<\/span>.<\/span>tflite<\/span> \\<\/span><\/span>\n--<\/span>labels<\/span> <\/span>test_data<\/span>\/<\/span>inat_bird_labels<\/span>.<\/span>txt<\/span> \\<\/span><\/span>\n--<\/span>input<\/span> <\/span>test_data<\/span>\/<\/span>parrot<\/span>.<\/span>jpg<\/span><\/span><\/code><\/pre><\/div>\n\n\n\n
<\/p>\n\n\n\n
Die Ausgabe sieht in etwa so aus:<\/p>\n\n\n
\n
\"Papagei<\/figure>\n<\/div>\n\n\n
<\/p>\n\n\n\n
Sie sehen, dass die Eingabe \"parrot.jpg\" war und das Modell sie mit einer Genauigkeit von 0,75 % korrekt als Rotr\u00fcckenara erkannt hat.<\/p>\n\n\n\n
Ich habe ein Bild eines n\u00f6rdlichen Kardinals gefunden und es durch das Modell laufen lassen, und hier ist das Ergebnis.<\/p>\n\n\n
\n
\"Output<\/figure>\n<\/div>\n\n\n
<\/p>\n\n\n\n
Wie Sie sehen k\u00f6nnen, ergab das Ger\u00e4t mit einer Zuverl\u00e4ssigkeit von 0,91 einen sehr genauen Wert.<\/p>\n\n\n\n
Dann wollte ich sehen, was passiert, wenn ich ein Bild von einer Katze einf\u00fchre.<\/p>\n\n\n
\n
\"Katze<\/figure>\n<\/div>\n\n\n
<\/p>\n\n\n\n
Obwohl ich durchaus verstehe, warum sie die Katze f\u00fcr eine Waldohreule hielt, war ich von ihrem Selbstbewusstsein \u00fcberrascht.<\/p>\n\n\n\n
Ich habe versucht, das Programm dazu zu bringen, Bilder von Menschen zu erkennen und zu bestimmen, um welche V\u00f6gel es sich handelt, aber leider hat es nicht mitgemacht.<\/p>\n\n\n\n
Aber bitte experimentieren Sie ruhig und sehen Sie, was Sie daraus machen k\u00f6nnen. Kommentieren Sie unten Ihre Ergebnisse!<\/p>\n\n\n\n
Schlussfolgerung<\/h2>\n\n\n\n
Da haben Sie es also. Auch wenn sein ultra-schickes \u00c4u\u00dferes eine gewisse Mystik vermitteln mag, ist der Google Coral USB Accelerator kein Geheimtipp.<\/p>\n\n\n\n
Er ist ein leistungsstarker Prozessor, der KI in Edge-Ger\u00e4te bringen kann.<\/p>\n\n\n\n
Ganz gleich, ob Sie sich f\u00fcr IoT-Zeug, Robotik oder eine Idee f\u00fcr den Einsatz von KI in allt\u00e4glichen Ger\u00e4ten interessieren, der Coral USB Accelerator ist Ihre Eintrittskarte in den Markt. Obwohl ich Ihnen das Beispiel eines Bilderkennungsmodells gegeben habe, kann der Accelerator viel weiter gehen - Videoerkennung, Objekterkennung, ger\u00e4teinternes Transfer-Lernen usw.<\/p>\n\n\n\n
Wir haben auch ein AIY Maker Kit, das all das m\u00f6glich macht - sehen Sie sich dieses Video an:<\/p>\n\n\n\n
<\/p>\n\n\n\n
\n