{"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\/pt\/tudo-sobre-o-acelerador-usb-coral-da-google\/","title":{"rendered":"Tudo sobre o Acelerador USB Google Coral"},"content":{"rendered":"
\"Imagem<\/figure>\n\n\n\n

Num dos nossos v\u00eddeos do YouTube sobre intelig\u00eancia artificial, um comentador escreveu que n\u00e3o estava muito interessado numa caixa misteriosa de IA. Isso inspirou-me a escrever um artigo para desvendar o mist\u00e9rio. Por isso, aqui est\u00e1 tudo o que precisa de saber sobre o acelerador USB Google Coral<\/a>.<\/p>\n\n\n\n

O acelerador Coral USB foi concebido principalmente para aplica\u00e7\u00f5es de IA de baixo consumo e de ponta. <\/p>\n\n\n\n

\u00c9 adequado para tarefas como an\u00e1lise de imagem e v\u00eddeo, dete\u00e7\u00e3o de objectos e reconhecimento de voz em dispositivos como o Raspberry Pi ou computadores port\u00e1teis.<\/p>\n\n\n\n

Vis\u00e3o geral<\/h2>\n\n\n\n

Em suma, o Google Coral USB Accelerator \u00e9 um processador que utiliza uma Unidade de Processamento Tensorial (TPU), que \u00e9 um circuito integrado que \u00e9 realmente bom a fazer multiplica\u00e7\u00e3o e adi\u00e7\u00e3o de matrizes. <\/p>\n\n\n\n

A multiplica\u00e7\u00e3o de matrizes \u00e9 o material necess\u00e1rio para construir redes neuronais. <\/p>\n\n\n\n

E, definitivamente, n\u00e3o ir\u00e1 muito longe se tentar construir redes neuronais apenas com o seu Raspberry Pi.<\/p>\n\n\n\n

Como tal, o acelerador adiciona outro processador que \u00e9 dedicado especificamente a fazer a \u00e1lgebra linear necess\u00e1ria para a aprendizagem autom\u00e1tica.<\/p>\n\n\n\n

Como provavelmente sabe, a ideia subjacente \u00e0 aprendizagem autom\u00e1tica consiste em desenvolver modelos que analisam e aprendem padr\u00f5es a partir de um conjunto de dados. Este conjunto de dados tem v\u00e1rios inputs e outputs correspondentes. Depois de treinados, estes modelos podem receber novos dados, sintetizar os padr\u00f5es aprendidos e gerar resultados ou previs\u00f5es adequadas.<\/p>\n\n\n

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

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

As TPUs funcionam muito mais rapidamente e com muito menos energia do que as CPUs para a aprendizagem autom\u00e1tica, porque n\u00e3o executam outros programas e n\u00e3o precisam de aceder \u00e0 mem\u00f3ria partilhada.<\/p>\n\n\n\n

A TPU no Acelerador Coral USB utiliza o TensorFlow Lite, que \u00e9 uma vers\u00e3o modificada para dispositivos mais pequenos.<\/p>\n\n\n\n

Utilizar o acelerador USB Coral<\/h2>\n\n\n\n

O que \u00e9 especialmente fant\u00e1stico \u00e9 o facto de tornar acess\u00edvel o desenvolvimento da IA. <\/p>\n\n\n\n

Come\u00e7ar \u00e9 muito f\u00e1cil. <\/p>\n\n\n\n

Na verdade, tudo o que precisas \u00e9 de um Google Coral USB Accelerator (obviamente) e um computador com uma porta USB livre e Python 3.5 ou superior.<\/p>\n\n\n\n

E vale a pena mencionar que funciona com Mac, Windows e Linux (especificamente, sistemas operativos baseados em Debian, como o Ubuntu ou o Raspberry Pi OS). Por isso, de certeza que vai conseguir p\u00f4-lo a funcionar.<\/p>\n\n\n\n

Quando o configurar, tem de decidir se quer que funcione com a frequ\u00eancia de rel\u00f3gio m\u00e1xima ou com a frequ\u00eancia de rel\u00f3gio reduzida. Obviamente, a frequ\u00eancia de rel\u00f3gio m\u00e1xima \u00e9 mais potente, mas tamb\u00e9m vai consumir mais energia. E pode ficar incrivelmente quente.<\/p>\n\n\n

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

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

Executar um modelo de reconhecimento de imagem<\/h2>\n\n\n\n

No S\u00edtio Web do Google Coral<\/a>No site da Coral, eles oferecem um teste maravilhoso para mostrar como o acelerador Coral USB funciona. No seu exemplo, \u00e9 capaz de reconhecer diferentes aves com uma precis\u00e3o not\u00e1vel.<\/p>\n\n\n\n

Ent\u00e3o aqui est\u00e1 como executar o modelo de reconhecimento de imagem no seu Raspberry Pi. Isto funcionar\u00e1 perfeitamente bem com a frequ\u00eancia de rel\u00f3gio reduzida.<\/p>\n\n\n\n

N\u00e3o carregue j\u00e1 no acelerador.<\/p>\n\n\n\n

Em primeiro lugar, \u00e9 necess\u00e1rio ir ao terminal e digitar o seguinte c\u00f3digo para adicionar o reposit\u00f3rio 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
Em seguida, instale o tempo de execu\u00e7\u00e3o:<\/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
Agora podes ligar o acelerador para que tudo esteja sincronizado. Depois de o ter ligado, precisa de instalar o 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
E agora pode p\u00f4r o modelo a funcionar. Primeiro, descarrega-se o 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
Em seguida, execute o seguinte:<\/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
E, finalmente, executa-se o 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
O resultado \u00e9 mais ou menos assim:<\/p>\n\n\n
\n
\"Sa\u00edda<\/figure>\n<\/div>\n\n\n
<\/p>\n\n\n\n
Pode ver que a entrada era \"parrot.jpg\" e o modelo leu-a corretamente como uma arara-vermelha, com 0,75 de confian\u00e7a na precis\u00e3o.<\/p>\n\n\n\n
Encontrei uma fotografia de um cardeal do Norte e analisei-a atrav\u00e9s do modelo e eis o resultado.<\/p>\n\n\n
\n
\"Sa\u00edda<\/figure>\n<\/div>\n\n\n
<\/p>\n\n\n\n
Como pode ver, deu uma leitura super precisa com 0,91 de confian\u00e7a.<\/p>\n\n\n\n
Ent\u00e3o, quis ver o que aconteceria se lhe desse uma fotografia de um gato.<\/p>\n\n\n
\n
\"Sa\u00edda<\/figure>\n<\/div>\n\n\n
<\/p>\n\n\n\n
Embora eu compreenda perfeitamente porque \u00e9 que ele pensou que o gato era uma coruja de chifres grandes, fiquei surpreendido com o seu n\u00edvel de confian\u00e7a.<\/p>\n\n\n\n
Tentei que reconhecesse fotografias de pessoas e determinasse de que aves se tratava, mas infelizmente n\u00e3o colaborou.<\/p>\n\n\n\n
Mas sinta-se \u00e0 vontade para experimentar e ver o que consegue tirar da\u00ed. Comente abaixo os resultados!<\/p>\n\n\n\n
Conclus\u00e3o<\/h2>\n\n\n\n
Aqui est\u00e1. Embora o seu exterior ultra-elegante possa dar uma certa sensa\u00e7\u00e3o de misticismo, o Google Coral USB Accelerator n\u00e3o \u00e9 uma caixa misteriosa.<\/p>\n\n\n\n
\u00c9 um processador potente que pode levar a IA aos dispositivos perif\u00e9ricos.<\/p>\n\n\n\n
Portanto, quer se dedique \u00e0 IoT, \u00e0 rob\u00f3tica ou tenha uma ideia para integrar a IA nos dispositivos do dia a dia, o acelerador Coral USB \u00e9 o seu bilhete de entrada. Embora eu tenha dado o exemplo de um modelo de reconhecimento de imagem, o acelerador pode ir muito mais longe - reconhecimento de v\u00eddeo, dete\u00e7\u00e3o de objectos, aprendizagem por transfer\u00eancia no dispositivo, etc.<\/p>\n\n\n\n
Tamb\u00e9m temos um AIY Maker Kit que torna tudo isto poss\u00edvel - veja este v\u00eddeo:<\/p>\n\n\n\n
<\/p>\n\n\n\n
\n