{"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\/sv\/allt-om-google-coral-usb-accelerator\/","title":{"rendered":"Allt om Google Coral USB Accelerator"},"content":{"rendered":"
\"Google<\/figure>\n\n\n\n

I en av v\u00e5ra YouTube-videor om artificiell intelligens skrev en kommentator att de inte var s\u00e5 intresserade av en mystisk AI-l\u00e5da. Det inspirerade mig till att skriva en artikel som avsl\u00f6jade mysteriet. S\u00e5 h\u00e4r \u00e4r allt du beh\u00f6ver veta om Google Coral USB Accelerator<\/a>.<\/p>\n\n\n\n

Coral USB Accelerator \u00e4r fr\u00e4mst avsedd f\u00f6r AI-till\u00e4mpningar med l\u00e5g effekt. <\/p>\n\n\n\n

Den \u00e4r l\u00e4mplig f\u00f6r uppgifter som bild- och videoanalys, objektdetektering och taligenk\u00e4nning p\u00e5 enheter som Raspberry Pi eller b\u00e4rbara datorer.<\/p>\n\n\n\n

\u00d6versikt<\/h2>\n\n\n\n

I korthet \u00e4r Google Coral USB Accelerator en processor som anv\u00e4nder en Tensor Processing Unit (TPU), vilket \u00e4r en integrerad krets som \u00e4r riktigt bra p\u00e5 att g\u00f6ra matrismultiplikation och -addition. <\/p>\n\n\n\n

Matrismultiplikation \u00e4r det du beh\u00f6ver f\u00f6r att bygga neurala n\u00e4tverk. <\/p>\n\n\n\n

Och du kommer definitivt inte att komma s\u00e4rskilt l\u00e5ngt om du f\u00f6rs\u00f6ker bygga neurala n\u00e4tverk enbart med din Raspberry Pi.<\/p>\n\n\n\n

Acceleratorn l\u00e4gger allts\u00e5 till ytterligare en processor som \u00e4r s\u00e4rskilt dedikerad till att utf\u00f6ra den linj\u00e4ra algebra som kr\u00e4vs f\u00f6r maskininl\u00e4rning.<\/p>\n\n\n\n

Som du s\u00e4kert vet \u00e4r tanken bakom maskininl\u00e4rning att utveckla modeller som analyserar och l\u00e4r sig m\u00f6nster fr\u00e5n en datam\u00e4ngd. Denna dataset har olika ing\u00e5ngar och motsvarande utg\u00e5ngar. N\u00e4r modellerna v\u00e4l har tr\u00e4nats kan de ta emot nya indata, syntetisera de inl\u00e4rda m\u00f6nstren och generera l\u00e4mpliga utdata eller f\u00f6ruts\u00e4gelser.<\/p>\n\n\n

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

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

TPU:er arbetar mycket snabbare och med mycket mindre energi \u00e4n CPU:er f\u00f6r maskininl\u00e4rning, eftersom de inte k\u00f6r andra program och inte beh\u00f6ver komma \u00e5t delat minne.<\/p>\n\n\n\n

TPU:n p\u00e5 Coral USB Accelerator anv\u00e4nder TensorFlow Lite, som \u00e4r en modifierad version f\u00f6r mindre enheter.<\/p>\n\n\n\n

Anv\u00e4nda Coral USB Accelerator<\/h2>\n\n\n\n

Det som \u00e4r s\u00e4rskilt bra med den \u00e4r hur tillg\u00e4nglig den g\u00f6r AI-utveckling. <\/p>\n\n\n\n

Det \u00e4r enkelt att komma ig\u00e5ng. <\/p>\n\n\n\n

Allt du beh\u00f6ver \u00e4r en Google Coral USB Accelerator (s\u00e5klart) och en dator med en ledig USB-port och Python 3.5 eller senare.<\/p>\n\n\n\n

Och det \u00e4r v\u00e4rt att n\u00e4mna att det fungerar med Mac, Windows och Linux (s\u00e4rskilt Debian-baserade operativsystem, som Ubuntu eller Raspberry Pi OS). S\u00e5 du kan vara s\u00e4ker p\u00e5 att f\u00e5 ig\u00e5ng det.<\/p>\n\n\n\n

N\u00e4r du st\u00e4ller in den m\u00e5ste du best\u00e4mma om du vill att den ska k\u00f6ras med maximal klockfrekvens eller reducerad klockfrekvens. Maximal klockfrekvens \u00e4r naturligtvis mer kraftfullt, men det kommer ocks\u00e5 att anv\u00e4nda mer str\u00f6m. Och det kan bli otroligt varmt.<\/p>\n\n\n

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

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

K\u00f6rning av en bildigenk\u00e4nningsmodell<\/h2>\n\n\n\n

P\u00e5 den Webbplats Google Coral<\/a>erbjuder de ett underbart test f\u00f6r att visa hur Coral USB Accelerator fungerar. I deras exempel kan den k\u00e4nna igen olika f\u00e5glar med ganska anm\u00e4rkningsv\u00e4rd noggrannhet.<\/p>\n\n\n\n

S\u00e5 h\u00e4r k\u00f6r du bildigenk\u00e4nningsmodellen p\u00e5 din Raspberry Pi. Detta kommer att fungera perfekt med den reducerade klockfrekvensen.<\/p>\n\n\n\n

Tryck inte p\u00e5 gaspedalen \u00e4nnu.<\/p>\n\n\n\n

F\u00f6rst m\u00e5ste du g\u00e5 till terminalen och skriva in f\u00f6ljande kod f\u00f6r att l\u00e4gga till Edge TPU-f\u00f6rvaret:<\/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
Installera sedan 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 kan du koppla in acceleratorn s\u00e5 att allt \u00e4r synkroniserat. N\u00e4r du har kopplat in den beh\u00f6ver du installera 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
Och nu kan du f\u00e5 ig\u00e5ng modellen. F\u00f6rst laddar du ner koden:<\/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
K\u00f6r sedan f\u00f6ljande:<\/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
Och slutligen k\u00f6r du modellen:<\/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
Resultatet ser ut ungef\u00e4r s\u00e5 h\u00e4r:<\/p>\n\n\n
\n
\"Papegoja<\/figure>\n<\/div>\n\n\n
<\/p>\n\n\n\n
Du kan se att inmatningen var \"parrot.jpg\" och att modellen korrekt l\u00e4ste den som en scharlakansr\u00f6d ara, med 0,75 konfidensgrad f\u00f6r noggrannheten.<\/p>\n\n\n\n
Jag hittade en bild p\u00e5 en kardinal och k\u00f6rde den genom modellen och h\u00e4r \u00e4r vad den gav mig.<\/p>\n\n\n
\n
\"Produktion<\/figure>\n<\/div>\n\n\n
<\/p>\n\n\n\n
Som du kan se gav den en mycket exakt m\u00e4tning med 0,91 konfidensgrad.<\/p>\n\n\n\n
S\u00e5 jag ville se vad som skulle h\u00e4nda om jag matade den med en bild p\u00e5 en katt.<\/p>\n\n\n
\n
\"Kat<\/figure>\n<\/div>\n\n\n
<\/p>\n\n\n\n
\u00c4ven om jag helt f\u00f6rst\u00e5r varf\u00f6r den trodde att katten var en hornuggla, blev jag f\u00f6rv\u00e5nad \u00f6ver hur sj\u00e4lvs\u00e4ker den var.<\/p>\n\n\n\n
Jag f\u00f6rs\u00f6kte f\u00e5 den att k\u00e4nna igen bilder p\u00e5 m\u00e4nniskor och avg\u00f6ra vilka f\u00e5glar det var, men tyv\u00e4rr ville den inte samarbeta.<\/p>\n\n\n\n
Men du \u00e4r v\u00e4lkommen att experimentera och se vad du kan f\u00e5 ut av det. Kommentera nedan med resultaten!<\/p>\n\n\n\n
Slutsats<\/h2>\n\n\n\n
S\u00e5 d\u00e4r har du det. Google Coral USB Accelerator \u00e4r ingen mystisk l\u00e5da, \u00e4ven om dess eleganta yttre kan ge en k\u00e4nsla av mystik.<\/p>\n\n\n\n
Det \u00e4r en kraftfull processor som kan ge AI till avancerade enheter.<\/p>\n\n\n\n
S\u00e5 oavsett om du sysslar med IoT, robotteknik eller har en id\u00e9 om hur AI kan anv\u00e4ndas i vardagliga enheter s\u00e5 \u00e4r Coral USB Accelerator din biljett. \u00c4ven om jag gav dig exemplet med en bildigenk\u00e4nningsmodell kan acceleratorn g\u00e5 mycket l\u00e4ngre - videoigenk\u00e4nning, objektdetektering, \u00f6verf\u00f6ringsinl\u00e4rning p\u00e5 enheten osv.<\/p>\n\n\n\n
Vi har ocks\u00e5 ett AIY Maker Kit som g\u00f6r allt detta m\u00f6jligt - kolla in den h\u00e4r videon:<\/p>\n\n\n\n
<\/p>\n\n\n\n
\n