{"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\/nl\/alles-over-de-google-coral-usb-accelerator\/","title":{"rendered":"Alles over de Google Coral USB-accelerator"},"content":{"rendered":"
\"De<\/figure>\n\n\n\n

Op een van onze YouTube-video's over kunstmatige intelligentie schreef een commentator dat hij niet zo ge\u00efnteresseerd was in een mysterieuze AI-doos. Dat inspireerde me om een artikel te schrijven om het mysterie te ontrafelen. Dus hier is alles wat je moet weten over de Google Koraal USB-accelerator<\/a>.<\/p>\n\n\n\n

De Coral USB Accelerator is primair ontworpen voor AI-toepassingen aan de rand met laag stroomverbruik. <\/p>\n\n\n\n

Het is geschikt voor taken zoals beeld- en videoanalyse, objectdetectie en spraakherkenning op apparaten zoals Raspberry Pi of laptops.<\/p>\n\n\n\n

Overzicht<\/h2>\n\n\n\n

In het kort is de Google Coral USB Accelerator een processor die gebruik maakt van een Tensor Processing Unit (TPU), wat een ge\u00efntegreerd circuit is dat erg goed is in het doen van matrixvermenigvuldigingen en optellingen. <\/p>\n\n\n\n

Matrixvermenigvuldiging is het materiaal dat je nodig hebt om neurale netwerken te bouwen. <\/p>\n\n\n\n

En je zult zeker niet ver komen als je alleen neurale netwerken probeert te bouwen op je Raspberry Pi.<\/p>\n\n\n\n

Als zodanig voegt de versneller nog een processor toe die specifiek bedoeld is om de lineaire algebra te doen die nodig is voor machinaal leren.<\/p>\n\n\n\n

Zoals je waarschijnlijk wel weet, is het idee achter machine learning het ontwikkelen van modellen die patronen analyseren en leren uit een dataset. Deze dataset heeft verschillende inputs en overeenkomstige outputs. Eenmaal getraind kunnen deze modellen nieuwe inputs aannemen, de geleerde patronen synthetiseren en de juiste outputs of voorspellingen genereren.<\/p>\n\n\n

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

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

TPU's werken veel sneller en met veel minder energie dan CPU's voor machine learning, omdat ze geen andere programma's draaien en geen toegang hoeven te hebben tot gedeeld geheugen.<\/p>\n\n\n\n

De TPU op de Coral USB Accelerator gebruikt TensorFlow Lite, wat een aangepaste versie is voor kleinere apparaten.<\/p>\n\n\n\n

De Coral USB-accelerator gebruiken<\/h2>\n\n\n\n

Wat er vooral geweldig aan is, is hoe toegankelijk het AI-ontwikkeling maakt. <\/p>\n\n\n\n

Aan de slag gaan is een koud kunstje. <\/p>\n\n\n\n

Echt, alles wat je nodig hebt is een Google Coral USB Accelerator (uiteraard) en een computer met een vrije USB-poort en Python 3.5 of hoger.<\/p>\n\n\n\n

En het is het vermelden waard dat het werkt met Mac, Windows en Linux (specifiek Debian-gebaseerde besturingssystemen, zoals Ubuntu of het Raspberry Pi OS). Dus je kunt het zeker aan de praat krijgen.<\/p>\n\n\n\n

Wanneer je hem instelt, moet je beslissen of je hem op maximale klokfrequentie of op verlaagde klokfrequentie wilt laten draaien. De maximale klokfrequentie is uiteraard krachtiger, maar verbruikt ook meer stroom. En het kan ongelooflijk heet worden.<\/p>\n\n\n

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

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

Een beeldherkenningsmodel uitvoeren<\/h2>\n\n\n\n

Op de Google Koraal website<\/a>Ze bieden een prachtige test om te laten zien hoe de Coral USB Accelerator werkt. In hun voorbeeld is het in staat om verschillende vogels te herkennen met een behoorlijk opmerkelijke nauwkeurigheid.<\/p>\n\n\n\n

Dit is dus hoe je het beeldherkenningsmodel op je Raspberry Pi draait. Dit werkt perfect met de verlaagde klokfrequentie.<\/p>\n\n\n\n

Trap het gaspedaal nog niet in.<\/p>\n\n\n\n

Ga eerst naar de terminal en typ de volgende code in om de Edge TPU repository toe te voegen:<\/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
Installeer vervolgens de 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
Nu kun je de versneller aansluiten zodat alles synchroon loopt. Zodra je het hebt aangesloten, moet je PyCoral installeren:<\/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
En nu kun je het model in gebruik nemen. Eerst download je de code:<\/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
Voer dan het volgende uit:<\/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
En tot slot voer je het model uit:<\/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
De uitvoer ziet er ongeveer zo uit:<\/p>\n\n\n
\n
\"Papegaai<\/figure>\n<\/div>\n\n\n
<\/p>\n\n\n\n
Je kunt zien dat de invoer \"parrot.jpg\" was en het model las het correct als een Scarlet Macaw, met .75 betrouwbaarheid in nauwkeurigheid.<\/p>\n\n\n\n
Ik vond een foto van een noordelijke kardinaal en haalde die door het model en dit is wat het me opleverde.<\/p>\n\n\n
\n
\"Noordelijke<\/figure>\n<\/div>\n\n\n
<\/p>\n\n\n\n
Zoals je kunt zien, gaf het een supernauwkeurige meting met een betrouwbaarheid van .91.<\/p>\n\n\n\n
Dus toen wilde ik zien wat er zou gebeuren als ik het een foto van een kat gaf.<\/p>\n\n\n
\n
\"Cat<\/figure>\n<\/div>\n\n\n
<\/p>\n\n\n\n
Hoewel ik helemaal begrijp waarom hij dacht dat de kat een grote hoornuil was, was ik verbaasd over zijn zelfvertrouwen.<\/p>\n\n\n\n
Ik probeerde het foto's van mensen te laten herkennen en te bepalen welke vogels het waren, maar helaas werkte het niet mee.<\/p>\n\n\n\n
Maar voel je vrij om te experimenteren en kijk wat je eruit kunt halen. Geef hieronder commentaar met de resultaten!<\/p>\n\n\n\n
Conclusie<\/h2>\n\n\n\n
Dat is het dan. Hoewel de ultraslanke buitenkant misschien een beetje mystiek overkomt, is de Google Coral USB Accelerator geen mysteriedoos.<\/p>\n\n\n\n
Het is een krachtige processor die AI naar randapparaten kan brengen.<\/p>\n\n\n\n
Dus of je nu bezig bent met IoT, robotica of een idee hebt om AI in alledaagse apparaten te verwerken, de Coral USB Accelerator is je ticket. Hoewel ik je het voorbeeld gaf van een beeldherkenningsmodel, kan de versneller veel verder gaan - videoherkenning, objectdetectie, on-device transfer learning, enz.<\/p>\n\n\n\n
We hebben ook een AIY Maker Kit die dit allemaal mogelijk maakt - bekijk deze video:<\/p>\n\n\n\n
<\/p>\n\n\n\n
\n