Guide des solutions de réseaux neuronaux
NOUVEAU ! Kit de solutions Farnell pour vous aider à lancer votre prochaine innovation.
Presque tous les appareils intelligents qui effectuent des tâches de vision par ordinateur, de reconnaissance vocale et de traitement des signaux utilisent désormais des réseaux neuronaux. Pour les applications susmentionnées, l’efficacité et la précision des réseaux neuronaux ont évolué au point que les chercheurs les considèrent comme étant plus précis que l’approche algorithmique conventionnelle. Cependant, seuls quelques périphériques matériels disponibles permettent de mettre en œuvre et de déployer en périphérie de telles solutions de réseaux neuronaux pour une analyse en temps réel à haute vitesse.
Ce guide des solutions de produits présente les réseaux neuronaux binaires (BNN) et les réseaux neuronaux quantifiés (QNN) sur l’Ultra96-V2 d’Avnet à l’aide de recouvrements Xilinx PYNQ. Les utilisateurs mettront en œuvre des applications de reconnaissance d’images telles que la détection des panneaux de signalisation routière et l’identification d’animaux ImageNet à l’aide de réseaux neuronaux. Ce projet explique comment mettre en œuvre un modèle matériel d’accélération à haute performance dans une application de bord de traitement embarqué AIoT plutôt que dans une mise en œuvre logicielle qui a ses propres limites.
Ce que vous apprendrez :
- Tous les appareils programmables hétérogènes pour les réseaux neuronaux
- Comprendre les recouvrements PYNQ et PYNQ
- Explorer les meilleurs parcours pour faire ses premiers pas avec PYNQ et Ultra96-V2
- Réseaux neuronaux et architecture
- Les défis dans la mise en œuvre de réseaux neuronaux
- Configurer le matériel Ultra96-V2 pour démarrer et utiliser le cadre PYNQ
- Python Jupyter Notebook s’exécutant sur l’Ultra96
- Exemple de conception I – Détection des panneaux de signalisation routière
- Exemple de conception II – Animal
Matériel requis
Télécharger le guide des solutions
*Erforderlich