{"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\/es\/todo-sobre-el-acelerador-usb-de-google-coral\/","title":{"rendered":"Todo sobre el acelerador USB Google Coral"},"content":{"rendered":"
\"Imagen<\/figure>\n\n\n\n

En uno de nuestros v\u00eddeos de YouTube sobre inteligencia artificial, un comentarista escribi\u00f3 que no estaba tan interesado en una caja misteriosa de IA. Eso me inspir\u00f3 para escribir un art\u00edculo desvelando el misterio. As\u00ed que aqu\u00ed tienes todo lo que necesitas saber sobre el acelerador USB Google Coral<\/a>.<\/p>\n\n\n\n

El acelerador USB Coral est\u00e1 dise\u00f1ado principalmente para aplicaciones de inteligencia artificial de bajo consumo. <\/p>\n\n\n\n

Es adecuado para tareas como el an\u00e1lisis de im\u00e1genes y v\u00eddeos, la detecci\u00f3n de objetos y el reconocimiento de voz en dispositivos como Raspberry Pi u ordenadores port\u00e1tiles.<\/p>\n\n\n\n

Visi\u00f3n general<\/h2>\n\n\n\n

En resumen, el Google Coral USB Accelerator es un procesador que utiliza una Unidad de Procesamiento Tensorial (TPU), que es un circuito integrado que es realmente bueno haciendo multiplicaciones y sumas matriciales. <\/p>\n\n\n\n

La multiplicaci\u00f3n de matrices es lo que se necesita para construir redes neuronales. <\/p>\n\n\n\n

Y definitivamente no llegar\u00e1s muy lejos si intentas construir redes neuronales s\u00f3lo con tu Raspberry Pi.<\/p>\n\n\n\n

Como tal, el acelerador a\u00f1ade otro procesador dedicado espec\u00edficamente a realizar el \u00e1lgebra lineal necesario para el aprendizaje autom\u00e1tico.<\/p>\n\n\n\n

Como probablemente sepa, la idea que subyace al aprendizaje autom\u00e1tico es desarrollar modelos que analicen y aprendan patrones a partir de un conjunto de datos. Este conjunto de datos tiene varias entradas y sus correspondientes salidas. Una vez entrenados, estos modelos pueden tomar nuevas entradas, sintetizar los patrones aprendidos y generar salidas o predicciones adecuadas.<\/p>\n\n\n

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

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

Las TPU funcionan mucho m\u00e1s r\u00e1pido y con mucha menos energ\u00eda que las CPU para el aprendizaje autom\u00e1tico, porque no ejecutan otros programas y no necesitan acceder a la memoria compartida.<\/p>\n\n\n\n

La TPU del Acelerador USB Coral utiliza TensorFlow Lite, que es una versi\u00f3n modificada para dispositivos m\u00e1s peque\u00f1os.<\/p>\n\n\n\n

Uso del acelerador USB Coral<\/h2>\n\n\n\n

Lo mejor de todo es lo accesible que resulta el desarrollo de la IA. <\/p>\n\n\n\n

Empezar es muy f\u00e1cil. <\/p>\n\n\n\n

En realidad, todo lo que necesitas es un Google Coral USB Accelerator (obviamente) y un ordenador con un puerto USB libre y Python 3.5 o superior.<\/p>\n\n\n\n

Y vale la pena mencionar que funciona con Mac, Windows y Linux (espec\u00edficamente, sistemas operativos basados en Debian, como Ubuntu o el Raspberry Pi OS). As\u00ed que seguro que lo pones en marcha.<\/p>\n\n\n\n

Cuando lo configures, tienes que decidir si quieres que funcione a la m\u00e1xima frecuencia de reloj o a una frecuencia de reloj reducida. Obviamente, la frecuencia de reloj m\u00e1xima es m\u00e1s potente, pero tambi\u00e9n va a consumir m\u00e1s energ\u00eda. Y puede calentarse incre\u00edblemente.<\/p>\n\n\n

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

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

Ejecuci\u00f3n de un modelo de reconocimiento de im\u00e1genes<\/h2>\n\n\n\n

En el P\u00e1gina web de Google Coral<\/a>ofrecen una magn\u00edfica prueba para mostrarle c\u00f3mo funciona el Acelerador USB Coral. En su ejemplo, es capaz de reconocer diferentes aves con una precisi\u00f3n bastante notable.<\/p>\n\n\n\n

As\u00ed es como se ejecuta el modelo de reconocimiento de im\u00e1genes en tu Raspberry Pi. Esto funcionar\u00e1 perfectamente bien con la frecuencia de reloj reducida.<\/p>\n\n\n\n

No pises el acelerador todav\u00eda.<\/p>\n\n\n\n

En primer lugar, tienes que ir al terminal y escribir el siguiente c\u00f3digo para a\u00f1adir el repositorio Edge TPU:<\/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
A continuaci\u00f3n, instala el runtime:<\/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
Ahora puedes conectar el acelerador para que todo est\u00e9 sincronizado. Una vez que lo tengas conectado, necesitas instalar PyCoral:<\/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
Y ahora puedes poner en marcha el modelo. Primero, descarga el c\u00f3digo:<\/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
A continuaci\u00f3n, ejecute lo siguiente:<\/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
Y por \u00faltimo, ejecuta el modelo:<\/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
El resultado es algo parecido a esto:<\/p>\n\n\n
\n
\"Salida<\/figure>\n<\/div>\n\n\n
<\/p>\n\n\n\n
Puede ver que la entrada era \"parrot.jpg\" y el modelo lo ley\u00f3 correctamente como un guacamayo escarlata, con un 0,75 de confianza en la precisi\u00f3n.<\/p>\n\n\n\n
Encontr\u00e9 una foto de un cardenal boreal y la pas\u00e9 por el modelo y esto es lo que me dio.<\/p>\n\n\n
\n
\"Salida<\/figure>\n<\/div>\n\n\n
<\/p>\n\n\n\n
Como puedes ver, dio una lectura s\u00faper precisa con 0,91 de confianza.<\/p>\n\n\n\n
Entonces quise ver qu\u00e9 pasaba si le pon\u00eda la foto de un gato.<\/p>\n\n\n
\n
\"Salida<\/figure>\n<\/div>\n\n\n
<\/p>\n\n\n\n
Aunque entiendo perfectamente por qu\u00e9 pens\u00f3 que el gato era un b\u00faho cornudo, me sorprendi\u00f3 su nivel de confianza.<\/p>\n\n\n\n
Intent\u00e9 que reconociera fotos de personas y determinara qu\u00e9 aves eran, pero por desgracia no cooper\u00f3.<\/p>\n\n\n\n
Pero si\u00e9ntete libre de experimentar y ver qu\u00e9 puedes sacar de ello. Comenta a continuaci\u00f3n los resultados.<\/p>\n\n\n\n
Conclusi\u00f3n:<\/h2>\n\n\n\n
Ah\u00ed lo tienes. Aunque su exterior ultra elegante pueda dar cierta sensaci\u00f3n de misticismo, el Google Coral USB Accelerator no es ninguna caja misteriosa.<\/p>\n\n\n\n
Se trata de un potente procesador que puede llevar la IA a los dispositivos de vanguardia.<\/p>\n\n\n\n
As\u00ed que, tanto si te dedicas al IoT como a la rob\u00f3tica o tienes una idea para llevar la IA a los dispositivos cotidianos, el Acelerador USB Coral es tu billete de paseo. Aunque te he dado el ejemplo de un modelo de reconocimiento de im\u00e1genes, el acelerador puede ir mucho m\u00e1s all\u00e1: reconocimiento de v\u00eddeo, detecci\u00f3n de objetos, aprendizaje por transferencia en el dispositivo, etc.<\/p>\n\n\n\n
Tambi\u00e9n tenemos un Kit AIY Maker que hace todo esto posible - echa un vistazo a este v\u00eddeo:<\/p>\n\n\n\n
<\/p>\n\n\n\n
\n