{"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\/it\/tutto-cio-che-riguarda-lacceleratore-google-coral-usb\/","title":{"rendered":"Tutto sull'acceleratore USB Google Coral"},"content":{"rendered":"
\"L'acceleratore<\/figure>\n\n\n\n

In uno dei nostri video di YouTube sull'intelligenza artificiale, un commentatore ha scritto che non era interessato a una scatola misteriosa di intelligenza artificiale. Questo mi ha ispirato a scrivere un articolo per svelare il mistero. Ecco quindi tutto quello che c'\u00e8 da sapere su l'acceleratore USB Google Coral<\/a>.<\/p>\n\n\n\n

L'acceleratore USB Coral \u00e8 stato progettato principalmente per applicazioni di intelligenza artificiale a basso consumo. <\/p>\n\n\n\n

\u00c8 adatto a compiti come l'analisi di immagini e video, il rilevamento di oggetti e il riconoscimento vocale su dispositivi come Raspberry Pi o laptop.<\/p>\n\n\n\n

Panoramica<\/h2>\n\n\n\n

In breve, l'acceleratore USB Google Coral \u00e8 un processore che utilizza una Tensor Processing Unit (TPU), un circuito integrato che \u00e8 molto bravo a eseguire moltiplicazioni e addizioni matriciali. <\/p>\n\n\n\n

La moltiplicazione delle matrici \u00e8 necessaria per costruire reti neurali. <\/p>\n\n\n\n

E sicuramente non andrete molto lontano se cercate di costruire reti neurali solo con il vostro Raspberry Pi.<\/p>\n\n\n\n

In questo modo, l'acceleratore aggiunge un altro processore dedicato specificamente all'esecuzione dell'algebra lineare necessaria per l'apprendimento automatico.<\/p>\n\n\n\n

Come probabilmente sapete, l'idea alla base dell'apprendimento automatico \u00e8 quella di sviluppare modelli che analizzino e imparino modelli da un insieme di dati. Questo set di dati ha vari input e output corrispondenti. Quindi, una volta addestrati, questi modelli possono accettare nuovi input, sintetizzare i modelli appresi e generare output o previsioni appropriate.<\/p>\n\n\n

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

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

Le TPU funzionano molto pi\u00f9 velocemente e con meno energia delle CPU per l'apprendimento automatico, perch\u00e9 non eseguono altri programmi e non devono accedere alla memoria condivisa.<\/p>\n\n\n\n

La TPU del Coral USB Accelerator utilizza TensorFlow Lite, una versione modificata per i dispositivi pi\u00f9 piccoli.<\/p>\n\n\n\n

Utilizzo dell'acceleratore USB Coral<\/h2>\n\n\n\n

L'aspetto particolarmente interessante \u00e8 l'accessibilit\u00e0 dello sviluppo dell'intelligenza artificiale. <\/p>\n\n\n\n

Iniziare \u00e8 un gioco da ragazzi. <\/p>\n\n\n\n

Tutto ci\u00f2 che serve \u00e8 un acceleratore USB Google Coral (ovviamente) e un computer con una porta USB libera e Python 3.5 o superiore.<\/p>\n\n\n\n

Vale la pena ricordare che funziona con Mac, Windows e Linux (in particolare con i sistemi operativi basati su Debian, come Ubuntu o il sistema operativo Raspberry Pi). In questo modo sarete sicuri di farlo funzionare.<\/p>\n\n\n\n

Quando lo si configura, si deve decidere se farlo funzionare alla massima frequenza di clock o a frequenza di clock ridotta. Ovviamente, la frequenza di clock massima \u00e8 pi\u00f9 potente, ma consuma anche pi\u00f9 energia. E pu\u00f2 diventare incredibilmente caldo.<\/p>\n\n\n

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

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

Esecuzione di un modello di riconoscimento delle immagini<\/h2>\n\n\n\n

Sul Sito web di Google Coral<\/a>Il sito offre uno splendido test per mostrare il funzionamento dell'acceleratore USB Coral. Nel loro esempio, \u00e8 in grado di riconoscere diversi uccelli con un'accuratezza piuttosto notevole.<\/p>\n\n\n\n

Ecco come eseguire il modello di riconoscimento delle immagini sul Raspberry Pi. Funzioner\u00e0 perfettamente anche con la frequenza di clock ridotta.<\/p>\n\n\n\n

Non inserite ancora l'acceleratore.<\/p>\n\n\n\n

Per prima cosa, \u00e8 necessario accedere al terminale e digitare il seguente codice per aggiungere il repository 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
Quindi installare il 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
Ora \u00e8 possibile collegare l'acceleratore in modo che tutto sia sincronizzato. Una volta collegato, \u00e8 necessario installare 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
Ora \u00e8 possibile mettere in funzione il modello. Per prima cosa, si scarica il codice:<\/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
Eseguire quindi quanto segue:<\/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
Infine, si esegue il modello:<\/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
Il risultato \u00e8 simile a questo:<\/p>\n\n\n
\n
\"Uscita<\/figure>\n<\/div>\n\n\n
<\/p>\n\n\n\n
Si pu\u00f2 notare che l'input era \"pappagallo.jpg\" e il modello lo ha letto correttamente come un'ara scarlatta, con un'accuratezza di 0,75 punti.<\/p>\n\n\n\n
Ho trovato un'immagine di un cardinale del nord, l'ho inserita nel modello ed ecco cosa mi ha dato.<\/p>\n\n\n
\n
\"Uscita<\/figure>\n<\/div>\n\n\n
<\/p>\n\n\n\n
Come si pu\u00f2 vedere, ha fornito una lettura estremamente accurata con un'affidabilit\u00e0 di 0,91.<\/p>\n\n\n\n
Cos\u00ec ho voluto vedere cosa sarebbe successo se gli avessi dato in pasto l'immagine di un gatto.<\/p>\n\n\n
\n
\"Uscita<\/figure>\n<\/div>\n\n\n
<\/p>\n\n\n\n
Anche se capisco perfettamente perch\u00e9 pensava che il gatto fosse un gufo reale, sono rimasto sorpreso dal suo livello di fiducia.<\/p>\n\n\n\n
Ho cercato di fargli riconoscere le immagini di persone e di determinare quali uccelli fossero, ma purtroppo non ha collaborato.<\/p>\n\n\n\n
Ma sentitevi liberi di sperimentare e di vedere cosa riuscite a tirarne fuori. Commentate qui sotto con i risultati!<\/p>\n\n\n\n
Conclusione<\/h2>\n\n\n\n
Ecco come stanno le cose. Sebbene l'aspetto esteriore ultra elegante possa dare un senso di misticismo, l'acceleratore USB Google Coral non \u00e8 una scatola misteriosa.<\/p>\n\n\n\n
Si tratta di un potente processore in grado di portare l'intelligenza artificiale sui dispositivi edge.<\/p>\n\n\n\n
Quindi, se siete appassionati di IoT, robotica o avete un'idea per portare l'intelligenza artificiale nei dispositivi di tutti i giorni, l'acceleratore USB Coral \u00e8 il vostro biglietto da visita. Anche se vi ho fatto l'esempio di un modello di riconoscimento delle immagini, l'acceleratore pu\u00f2 andare ben oltre: riconoscimento video, rilevamento di oggetti, apprendimento di trasferimento sul dispositivo, ecc.<\/p>\n\n\n\n
Abbiamo anche un AIY Maker Kit che rende possibile tutto questo: guardate questo video:<\/p>\n\n\n\n
<\/p>\n\n\n\n
\n