Comments 23
Спасибо за статью!
Посмотрю по ссылкам подробнее.
А я делал на Kendryte K210, Вы про него упомянули. Только на MaixBir Mic. Кстати, разработка не "ужасная", если настроите свою любимую среду. (Я на EmBitz с ней работал).
Ещё тестировал NM500 от General Vision Inc. и их же технологию в Intel Curie.
Но опять же, это вполне может хватать для каких-то проектов.
За NM500 спасибо — не натыкался, посмотрю как время будет.
Эх, а всего пять лет назад мечтой для видео обработки была линейка https://en.m.wikipedia.org/wiki/Texas_Instruments_DaVinci с хорошей документацией и поставкой
Как всегда с интересом читаю статьи Антона.
Я игрался с RPI для каких-то экзотических случаев (сделать простенький NAS или компьютер для походов в интернет, игрался с камерой и слежкой за машинами из окна), но мне пока "везло" на работе — я всегда умудрялся свести все к x86 или GPU.
В отличие от Jetson, на базе Movidius появляются интересные штуки. В первую очередь это M.2 и mPCIe карты. Какие-то даже уже были, когда я писал прошлый обзор: 1, 2, 3.
Очевидный глупый вопрос, а в какие железки лучше втыкать такие карты? В какие-то китайские одноплатники с M2 разъемом? А в RPI 4 вроде M2 разъема нет еще?
По сути да, разные x86|одноплатники на АРМе. На том же Jetson, кстати, есть pci-e шина. Она не на всех макетках выводиться, но в теории есть. В некоторых OrangePi есть, в каких-то ASUS TINKER есть. Кстати, в Compute версии RPI тоже есть.
И еще вопрос, который интересует. У меня очень позитивные впечатления от экспорта в ONNX в PyTorch и onnx-runtime (и в торче недавно завезли легкие бинари для мобилки, вы не пробовали?).
Если зайти на сайт onnx-runtime, там сейчас миллион всяких опций заявлено — https://www.onnxruntime.ai. Естественно большая часть из них недоступна. Мне вот что интересно — если сейчас будет массовое развитие ARM, то вариант тупо с ONNX + ARM не выстрелит? Мне писали всякие китайцы что мол запускали на своих одноплатниках наши сетки через PyTorch и ONNX, правда приходилось все все-таки билдить самим. И мол все хорошо работает у них по их словам.
Какие-то фреймворки все это успешно используют, какие-то менее успешно. Что-то надо запускать на родном фреймворке, что-то на onnx.
Я думаю что лет через 5 все может устаканиться, будет какая-то универсальная система инференса и общие концепты аппаратной поддержки. И все просто будет в терафлопах измеряться.
На эту тему кстати я недавно писал статью — https://habr.com/ru/company/ods/blog/546808/
Спасибо, добавил в избранное.
Антон, вы забыли ещё упомянуть все одноплатники, основанные на базе SoC:
RK3566 (NPU 0,5 TOPS с поддержкой INT8 / INT16)
RK3568 (NPU 0.8 TOPS)
RK3588 (6 TOPS NPU 3.0)
RK3399Pro (NPU 3 TOPS)
я себе например недавно приобрёл одноплатник Rock3a на базе RK3568.
Ну, статье уже год)
Ещё есть RV1109 с такими безумными девайсами — en.t-firefly.com/product/dev/camc1126s2u.html
Год назад чего-то из этого не было.
Можно ещё вглубь уходить и смотреть что на RK3399Pro есть штук 5 разных бордов от разных производителей.
Я неделю назад делал небольшой апдейт на своем Youtube канале. Но там я скорее акцентировал внимание на всяких совсем дешевых платах — youtu.be/Hf4Ra59_DCA
store.arduino.cc/usa/tiny-machine-learning-kit
Я хотел бы попробовать в качестве отправной точки ML edge computing
ссылка не рабочая. Правильная ссылка -
https://store-usa.arduino.cc/products/arduino-tiny-machine-learning-kit?selectedStore=us
или
https://store.arduino.cc/products/arduino-tiny-machine-learning-kit
Да, ты прав, спасибо. Вы бы порекомендовали это в качестве отправной точки, чтобы начать пробовать некоторые приложения?
Я сам вчера узнал про это устройство :D
Я толком не работал ещё с платами машинного обучения. Единственное, что пробовал это тестировал NPU на плате rock3a (rk3568, NPU 0.8 TOPS)
Но если попробовать ответить на ваш вопрос, то ответ разветвляется:
Если человек уже работал и имеет опыт с arduino (чистый С, без операционных систем), то мне кажется это очень хороший набор для начала работы с машинным обучением.
Если же человек (как я ) ни разу не работал с arduino, но имеет опыт разработки под x86 компьютеры, то начать наверно стоит с самого же x86 компьютера (nvidia мощности, возможно с добавлением USB стиком c NPU) с USB камерой и/или с одноплатников с наличием NPU, про что и написан данный пост.
Но я в машинном обучении ещё теоретик, поэтому прислушиваться к моему мнение особо не стоит.
Edge платы для домашнего Computer Vision