[PYTHON] Maschinelles Lernen mit Raspberry Pi 4 und Coral USB Accelerator

Einführung

Dieser Artikel fasst den Installationsvorgang von Raspberry Pi 4 und Coral USB Accelerator als Methode des maschinellen Lernens mit Edge-Geräten zusammen.

** Raspberry Pi 4 ** ist die neueste Generation der aktuellen Modelle. Die CPU- und Speicherleistung wurde erheblich verbessert und es wird auch USB 3.0 unterstützt.

** Coral USB Accelerator ** ist Googles dedizierter ASIC, der von Google für maschinelles Lernen auf Edge-Geräten entwickelt wurde.

Dieser dedizierte ASIC wird als Edge-TPU bezeichnet, und Sie können die Flockenarbeit von TensorFlow Lite verwenden, das sich darauf spezialisiert hat, Schlussfolgerungen am Rand zu ziehen. Darüber hinaus unterstützen wir nur Flockenarbeiten von TensorFlow Lite. Darüber hinaus ist eine USB 3.0-Verbindung erforderlich, um die Leistung des Coral USB Accelerator zu maximieren. Zusammenfassend ist der Raspberry Pi 4 eine großartige Möglichkeit, Ihren Coral USB Accelerator optimal zu nutzen.

Raspberry Pi4 Obwohl nicht offiziell unterstützt, hat Google ein vorkompiliertes Raspbery Pi-Image mit dem Namen ** Edge TPU Platforms ** für die Verwendung von Edge TPU bereitgestellt.

Es verfügt über ein integriertes trainiertes Bildklassifizierungsmodell usw., das für das maschinelle Lernen mit Raspberry Pi nützlich ist.

Wir werden das Verfahren zur Verwendung des Abbilds von Raspberry Pi 4 von EdgeTPU Platforms erläutern.

Bitte beachten Sie, dass die Schnittstelle des Raspberry Pi 4 für das Netzteil auf ** USB Typ C ** und für HDMI auf ** Micro HDMI ** geändert wurde.

EdgeTPU Platforms

1. Laden Sie das Bild ** Raspberry Pi 4, Buster, Edgetpu 2.11.1 ** von [google-coral / edgetpu-platform] herunter (https://github.com/google-coral/edgetpu-platforms). ..
2. Schreiben Sie das heruntergeladene Bild auf die SD-Karte. Informationen zum Schreiben auf die SD-Karte finden Sie unter Raspberry Pi Basics, das ich zuvor geschrieben habe.
3. Starten Sie nach dem Schreiben auf die SD-Karte Raspberry Pi und führen Sie die Ersteinrichtung durch.

** Wenn Sie mit dem heruntergeladenen Image booten, müssen Sie das Dateisystem an die Größe Ihrer SD-Karte anpassen. ** **.

Dateisystemerweiterung

Der Systembereich (/) vor der Dateisystemerweiterung befindet sich im folgenden Status.

pi@raspberrypi:~ $ df -h
Verwendete Dateisystemgröße Verbleibende Verwendung%Montageposition
/dev/root        3.3G  3.0G  100M   97% /
devtmpfs         1.8G     0  1.8G    0% /dev
tmpfs            1.9G     0  1.9G    0% /dev/shm
tmpfs            1.9G  8.6M  1.9G    1% /run
tmpfs            5.0M  4.0K  5.0M    1% /run/lock
tmpfs            1.9G     0  1.9G    0% /sys/fs/cgroup
/dev/mmcblk0p1   253M   41M  213M   16% /boot
tmpfs            386M     0  386M    0% /run/user/1000

Führen Sie den folgenden Befehl aus, um raspi-config zu starten und interaktiv zu arbeiten.

$ sudo raspi-config

Wählen Sie zunächst ** "7 Erweiterte Optionen" **.

Wählen Sie dann A1 Dateisystem erweitern.

OK klicken.

Führen Sie den folgenden Befehl aus, um neu zu starten.

$ sudo systemctl reboot

Nach dem Neustart sehen Sie, dass der Systembereich (/) erweitert wurde.

pi@raspberrypi:~ $ df -h
Verwendete Dateisystemgröße Verbleibende Verwendung%Montageposition
/dev/root         29G  3.1G   24G   12% /
devtmpfs         1.8G     0  1.8G    0% /dev
tmpfs            1.9G     0  1.9G    0% /dev/shm
tmpfs            1.9G  8.6M  1.9G    1% /run
tmpfs            5.0M  4.0K  5.0M    1% /run/lock
tmpfs            1.9G     0  1.9G    0% /sys/fs/cgroup
/dev/mmcblk0p1   253M   41M  213M   16% /boot
tmpfs            386M     0  386M    0% /run/user/1000

Coral USB Accelerator Um den Coral USB Accelerator zu verwenden, müssen Sie folgende Schritte ausführen:

• [x] Edge TPU-Laufzeitinstallation
• [x] Installation der TensorFlow Lite-Bibliothek

Installieren Sie die Edge-TPU-Laufzeit, um mit der Edge-TPU zu kommunizieren. Darüber hinaus ist eine Bibliothek usw. erforderlich, um TensorFlow Lite mit Python verwenden zu können. In diesem Artikel installieren wir eine einfache tflite_runtime-Bibliothek, um das TensorFlow Lite-Modell in Python zu verwenden.

Vorbereitungsarbeiten

Öffnen Sie die Box mit dem Coral USB Accelerator.

Schließen Sie den Coral USB Accelerator an den Raspberry Pi 4 an. USB3.0 verfügt über eine ** blaue </ font> ** Schnittstelle.

INFO: Initialized TensorFlow Lite runtime.
----INFERENCE TIME----
Note: The first inference on Edge TPU is slow because it includes loading the model into Edge TPU memory.
18.6ms
4.6ms
4.6ms
4.6ms
4.6ms
-------RESULTS--------
Ara macao (Scarlet Macaw): 0.76562

INFO: Initialized TensorFlow Lite runtime.
----INFERENCE TIME----
Note: The first inference on Edge TPU is slow because it includes loading the model into Edge TPU memory.
120.5ms
11.5ms
11.5ms
11.7ms
11.6ms
-------RESULTS--------
Ara macao (Scarlet Macaw): 0.76562