23 Şubat 2024 tarihinde güncellendi
Edge AI, kenar yapay zekası anlamına gelir ve şu anda son derece popülerdir. Nesnelerin İnterneti (IoT) sistemleri için gelişimin bir sonraki sınırıdır – ama bunun hakkında ne kadar bilgi sahibisiniz? Bu makalede bana katılın ve Edge ML hakkında her şeyi öğrenin ve sektör liderlerinin bunu yaşam ve çalışma şeklimizi değiştirmek için nasıl kullandığını keşfedin.
Bu makalede aşağıdaki içerikler ele alınacaktır:
- AI, Derin Öğrenme ve Makine Öğrenimi
- Edge AI nedir?
- Edge Computing ile Cloud Computing arasındaki fark
- Edge AI bize nasıl fayda sağlar?
- Edge AI neden önemlidir?
- Edge AI için SBC, GPU, TPU ve Mikrodenetleyici donanımını seçin
- Edge’de TinyML
- Edge AI çözümleri
- Edge AI ile Başlarken – Cihaz, Araçlar, Kurslar, Projeler ve Daha Fazlası
Edge AI nedir?
En basit terimlerle, Edge AI, kenar cihazlarında dağıtım ve çıkarım yapan Makine Öğrenimi (ML) algoritmaları şeklinde yapay zekanın kullanılmasını ifade eder.
Makine öğrenimi, son yıllarda büyük ilerleme kaydeden geniş bir alandır. Bir bilgisayarın, verilerden öğrenerek belirli bir görevde kendi performansını otonom bir şekilde geliştirebileceği ilkesine dayanır – bazen insanların yeteneklerini bile aşabilir.
Edge AI, makine öğrenimi görevlerini doğrudan bağlı kenar cihazlarında çalıştırmak için Edge Computing ve AI’nın birleşimidir. Edge AI, nesne tespiti, ses tanıma, parmak izi tespiti, dolandırıcılık tespiti, otonom sürüş gibi birçok görevi yerine getirebilir. Gerçek şirket uygulamaları bu makalenin ilerleyen bölümlerinde daha ayrıntılı olarak incelenecektir.
Bugün, makine öğrenimi birçok ileri düzey görevi yerine getirebilmektedir, bunlar arasında ancak bunlarla sınırlı olmamak üzere:
- Bilgisayarla görme: görüntü sınıflandırma, nesne tespiti, anlamsal segmentasyon
- Bilgisayarla görme 101’imize göz atın ve projelere başlayın!
- Ses tanıma, doğal dil işleme (NLP), chatbotlar, çeviri,
- Öngörü (Örn. Hava durumu ve borsa), öneri sistemleri
- Anomali tespiti, öngörücü bakım
Merak edebilirsiniz: Makine öğrenimi bu kadar uzun süredir var, Edge AI’yı aniden bu kadar özel kılan nedir? Bunun üzerine biraz ışık tutmak için, önce AI ve Derin Öğrenme nedir sorusuna yanıt verelim, ardından Edge AI’daki kenar kavramını derinlemesine inceleyelim. Umarım bu makaleden sonra Edge AI hakkında daha fazla bilgi sahibi olacak ve mevcut süreçlerinizi daha verimli ve etkili Edge AI ile entegre etmeye başlayacaksınız.
AI nedir?
Yapay Zeka (AI), makinelerin insan zekası süreçlerini simüle etmesi ve öğrenme, analiz etme ve tahmin etme gibi insan yeteneklerini taklit etmek üzere programlanmasıdır.
Bir AI Pipeline içinde AI’nın etkili bir şekilde çalışmasını sağlayan üç aşama vardır.
Hızlı bir başlangıç yapmanıza yardımcı olmak için üç bölümde faydalı araçlar ve geliştirme platformları hakkında daha sonraki paragraflarda bilgi vereceğiz.
1. Veri Yönetimi
Bu aşama, veri bilimcilerin büyük veri hacimlerini düzenlediği ve içindeki kalıpları ve içgörüleri ortaya çıkardığı yerdir. Veri düzenleme, ham verileri analiz için daha değerli hale getirmek amacıyla kullanılabilir formatlara dönüştürme sürecidir. Bazen veri temizleme, düzeltme veya munging olarak da bilinir.
2. Model Eğitimi
Bir sonraki aşama, belirli bir görevi yerine getirmek için bir modeli eğitmek üzere kullanılan veri kümesini eğitmektir. Böylece, eğitim tamamlandığında AI kelimenin tam anlamıyla oluşturulmuş olur. Bu aşama, modelin verimli ve etkili olabilmesi için zengin bir eğitim deneyimi gerektirdiğinden büyük miktarda veri ve önemli bir zaman alır.
3. Çıkarım
Son aşama, AI’nın tasarlandığı sorunları çözmek için işlevini yerine getirmek üzere dağıtıldığı yerdir. Sunuculara, PC’lere, buluta veya kenar cihazlarına dağıtılabilir. İkinci aşamada toplanan verileri işleyerek yeni veri girişi hakkında anlayış kazanır ve belirlenen parametrelere göre bir sonuç üretir.
AI Uygulamaları, yaşadığımız her yerde gerçekleşiyor.
İnternet (bir dakika, Edge’den mi bahsediyoruz? Ama AI’nın internet yazılımları içinde her yerde hissedildiğini görebiliriz, burada AI yazılımı ile gerçek dünya üretimi arasındaki boşluğu öğrenmek için kontrol edin.)
| İnternet | Yaşam Tarzı | Taşımacılık | Robotik | Sağlık | Perakende | Üretim |
| Arama motorları | Sesli asistan | Otonom araçlar | Dağıtım robotları | Tümör Tanısı. | Chatbotlar | Endüstriyel makine iletişimi |
| Öneri sistemleri | Yüz tanıma | Navigasyon (GPS) | Otonom elektrikli süpürge | Yaşlı bakımında düşme tespiti | Drive-thru deneyimi | Öngörücü bakım |
| Dil çevirileri | Parmak izi okuyucu | Trafik yönetimi | Stok yönetimi | X-Ray makinesi | Görsel AI ile alışveriş sepeti | Kalite kontrol |
| Elektronik ticaret | Güvenlik sistemi | Yaya ve bisikletçi tespiti | Robot kol | Uzaktan Sağlık Asistanları. | Amazon Go mağazası | Anomali tespiti |
Makine Öğrenimi
AI’nın bir alt kümesi olan Makine Öğrenimi (ML), bir makineyi belirli bir AI sorununu çözmesi için eğitir. Bu, bilgisayarların deneyim yoluyla otomatik olarak gelişmesini sağlayan algoritmaların incelenmesidir. Yeni veya gelen bilgiden sonuçları tahmin etmek için modelleri eğitmek üzere büyük veri setleri, iyi araştırılmış istatistiksel yöntemler ve algoritmalar kullanır.
Derin Öğrenme
Derin öğrenme, ML’nin daha ileri bir alt kümesidir ve AI sorunlarını çözmek için yapay sinir ağlarını kullanır. Verilerin üstten alta doğru birlikte değiştirilen birçok ardışık dönüşümünü içerir ve birçok gizli katmana, büyük verilere ve yüksek bilgisayar kaynaklarına sahip bir ANN (daha sonra daha ayrıntılı olarak açıklanacaktır) kullanır. ML gibi, etkili olabilmesi için büyük veri setlerine ihtiyaç duyar. Daha fazla veri ile, derin öğrenme modellerini daha güçlü hale getirebilir ve varsayımlara daha az bağımlı hale getirebiliriz.
Derin öğrenme, daha karmaşık girdiler veya görüntüler, metinler, videolar ve ses gibi tablo dışı verilerle çalışırken yaygın olarak kullanılır.
Makine Öğrenimi ve Derin Öğrenme Arasındaki Farklar
Derin öğrenme, ham verilerden otomatik olarak özellikleri tespit edebilirken, ML manuel çıkarım gerektirir ve bu da daha fazla işleme süresi gerektirir. Bu nedenle, derin öğrenme düzgün çalışabilmesi için ML’den çok daha fazla veriye ihtiyaç duyar.
Veri setleri açısından, derin öğrenme, daha önce belirtildiği gibi, tablo dışı verileri işlemek için ML’ye göre daha iyidir çünkü ekstra bir veri manipülasyonu adımına ihtiyaç duymaz.
ANN nedir?
Yapay Sinir Ağı (ANN), bilgisayarların insan gibi öğrenmesini ve karar vermesini sağlamak için beyin hücrelerimizin çalışma şeklini taklit eden bir hesaplama modelidir. Yeni girdiler aldıkça bağımsız olarak ayarlamalar yapar ve öğrenen algoritmalar kullanır.
ANN, birbirine bağlı üç veya daha fazla katmana sahiptir.
Giriş Katmanı: Bu, dış dünyadan bilgi girişinin yapıldığı ANN modelidir. Bilgiyi bir sonraki katman olan gizli katmana iletecektir.
Gizli Katman: Bu, giriş verileri üzerinde tüm hesaplamaların yapıldığı yerdir. Hesaplanan bilgiyi son katman olan çıkış katmanına iletecektir. Herhangi bir modelde birden fazla gizli katman olabilir.
Çıkış Katmanı: Bu, gizli katmanda gerçekleştirilen tüm hesaplamalardan modelin sonuçlarının çıkarılabileceği yerdir.
Kenar Hesaplama
Kenar Hesaplama Nedir?
Kenar hesaplama, verilerin üretildiği yerde gerçekleşen işleme anlamına gelir; verileri yerel olarak bir kenar cihazında işleme ve depolama işlemini gerçekleştirir. Verileri buluta geri göndermek yerine, kenar cihazları verileri yerel olarak toplayıp işleyebilir; bu, bir kullanıcının bilgisayarı, IoT cihazı veya kenar sunucusu gibi olabilir. Bu gerçek zamanlı işleme, daha hızlı ve etkili yanıt vermelerini sağlar ve gecikmeyi ve bant genişliği kullanımını azaltır.
Kenar Hesaplama Kullanmanın Nedenleri?
- Daha hızlı sonuçlar, AI modelimden elde ettiğim İÇGÖRÜLER üzerinde hareket etme yeteneğimi etkiler mi?
- Daha yüksek kaliteli VERİ, modelimin sonuçlarını etkiler mi?
- Topladığım verilerin TOPLANDIĞI YERDE kalması önemli mi?
Gerçek Hayat Uygulamaları
Kenar Hesaplama vs Bulut Hesaplama
Özünde, hem kenar hem de bulut hesaplama aynı şeyleri yapmak için tasarlanmıştır – verileri işlemek, algoritmaları çalıştırmak vb. Ancak, kenar ve bulut hesaplama arasındaki temel fark hesaplamanın gerçekten nerede gerçekleştiğidir.
Kenar hesaplamada, bilgi işleme, sahada ve aktif dağıtımda bulunan dağıtılmış IoT cihazlarında gerçekleşir (veya kenarda). Kenar cihazlarına örnek olarak akıllı telefonlar, çeşitli SBC’ler ve mikrodenetleyiciler verilebilir.
Ancak bulut hesaplamada, aynı bilgi işleme merkezi bir konumda, örneğin bir veri merkezinde gerçekleşir.
Geleneksel olarak, bulut hesaplama IoT sahnesinde baskın olmuştur. Çünkü veri merkezleri, doğal olarak daha büyük hesaplama yeteneklerine sahip olduklarından, kenardaki IoT cihazları yerel verileri iletmekte ve düşük enerji tüketimi ve uygun fiyat gibi temel özelliklerini korumakta. Bulut hesaplama hala IoT için çok önemli ve güçlü bir araç olsa da, kenar hesaplama son zamanlarda iki önemli nedenle daha fazla dikkat çekmektedir.
Neden 1: Kenar cihazlarındaki donanım, maliyet rekabetini korurken daha yetenekli hale geldi.
Neden 2: Yazılım, kenar cihazları için giderek daha fazla optimize edilmektedir.
Bu eğilim o kadar ilerliyor ki, yüksek hesaplama gereksinimleri nedeniyle uzun zamandır bulut hesaplamaya ‘ayrılmış’ olan makine öğrenimini, kenar hesaplama cihazlarında çalıştırmak artık mümkün! Ve böylece, Kenar AI doğdu.
Kenar AI: Bulutu Kenara Taşımak ve IoT’yi Geliştirmek
Kenar AI ile IoT cihazları daha akıllı hale geliyor. Bu ne anlama geliyor? Makine öğrenimi ile kenar cihazları artık kararlar alabiliyor. Tahminler yapabilirler, karmaşık verileri işleyebilirler ve çözümler sunabilirler.
Örneğin, kenar IoT cihazları, belirli bir makinenin arızalanıp arızalanmayacağını tahmin etmek için işletim koşullarını işleyebilir. Bu, şirketlerin öngörücü bakım yapmalarını sağlar ve tam bir arıza durumunda oluşabilecek daha büyük hasar ve maliyetlerden kaçınmalarına yardımcı olur.
Öte yandan, kenar AI ile donatılmış bir güvenlik kamerası artık yalnızca video kaydetmekle kalmayacak. İnsanları tanımlayabilecek ve yaya trafiğini sayabileceğiz. Ya da yüz tanıma ile, bir alanı ne zaman geçtiğini tam olarak belirleyebileceğiz. Çok “büyük kardeş” gibi, biliyorum; ama yine de harika!
Makine öğrenimi geliştikçe, birçok heyecan verici olasılık artık kenar cihazlarına da uzanacak. Ancak bu paradigma değişikliğinin özü açıktır – bulut yetenekleri her zamankinden daha fazla kenara taşınıyor; ve bunun iyi bir nedeni var.
Kenar AI’nın Faydaları
1. Gecikmenin Azaltılması
Bilgiyi kenarda işleme işleminin en doğrudan avantajı, verilerin buluta ve buluttan iletilmesine artık gerek olmamasıdır. Sonuç olarak, veri işleme gecikmeleri büyük ölçüde azaltılabilir.
Önceki öngörücü bakım örneğinde, bir Kenar AI destekli cihaz, örneğin, tehlikeye giren makineyi hemen kapatmak için neredeyse anında yanıt verebilir. Eğer makine öğrenimi algoritmasını bulut hesaplama kullanarak gerçekleştirseydik, buluta veri iletimi sırasında en az bir saniye kaybedecektik. Bu önemli görünmese de, operasyonel kritik ekipman söz konusu olduğunda elde edilebilecek her güvenlik marjı genellikle takip edilmeye değerdir!
2. Bant Genişliği Gereksiniminin ve Maliyetinin Azaltılması
Kenar IoT cihazlarına daha az veri iletildiğinden, ağ bant genişliği gereksinimi ve dolayısıyla maliyetler daha düşük olacaktır.
Bir görüntü sınıflandırma görevini örnek alalım. Bulut hesaplamaya bağımlı olduğunda, tüm görüntü çevrimiçi işleme için gönderilmelidir. Ancak kenar hesaplama kullanılırsa, bu veriyi göndermeye gerek kalmaz. Bunun yerine, genellikle ham görüntüden birkaç kat daha küçük olan işlenmiş sonucu gönderebiliriz. Bu etkiyi, bir ağdaki IoT cihazlarının sayısıyla çarptığımızda, bu tasarruflar göz ardı edilecek gibi değil!
3. Artan Veri Güvenliği
Dış konumlara veri iletimindeki bir azalma, daha az açık bağlantı ve siber saldırılar için daha az fırsat anlamına gelir. Bu, kenar cihazlarının potansiyel bir kesinti veya veri ihlalinin erişiminden güvenli bir şekilde çalışmasını sağlar. Ayrıca, veriler artık merkezi bulutta depolanmadığı için, tek bir ihlalin sonuçları büyük ölçüde azaltılmıştır.
4. Geliştirilmiş Güvenilirlik
Kenar AI ve kenar hesaplamanın dağıtılmış doğası sayesinde, operasyonel riskler de tüm ağ boyunca dağıtılabilir. Özünde, merkezi bulut bilgisayarı veya kümesi arızalansa bile, bireysel kenar cihazları işlevlerini sürdürebilir çünkü hesaplama süreçleri artık buluttan bağımsızdır! Bu, sağlık hizmetleri gibi kritik IoT uygulamaları için özellikle önemlidir.
Kenar AI Neden Önemlidir?
Kenar AI’nın somut faydaları açıkken, içsel etkileri daha belirsiz olabilir.
Kenar AI Hayatımızı Değiştiriyor
Birincisi, Kenar AI, yapay zekanın günlük yaşama gerçekten entegre edilmesinin ilk dalgasını temsil ediyor. Yapay zeka ve makine öğrenimi araştırmaları on yıllardır var, ancak şimdi bunların tüketici ürünlerinde pratik kullanımlarını görmeye başlıyoruz. Örneğin, otonom araçlar, Kenar AI’daki ilerlemelerin bir ürünüdür. Yavaş ama kesin bir şekilde, Kenar AI çevremizle etkileşim şeklimizi birçok yönden değiştiriyor.
Kenar AI Yapay Zekayı Demokratikleştiriyor
Yapay zekanın kullanımı ve geliştirilmesi artık yalnızca araştırma kurumlarına ve zengin şirketlere özgü değil. Kenar AI, nispeten uygun fiyatlı kenar cihazlarında çalışacak şekilde tasarlandığı için, artık herhangi bir bireyin yapay zekanın nasıl çalıştığını öğrenmesi ve kendi kullanımları için geliştirmesi daha erişilebilir hale geldi.
Daha da önemlisi, Kenar AI, dünya genelindeki eğitimcilerin yapay zeka ve makine öğrenimini sınıf öğrenimine somut bir şekilde dahil etmelerini mümkün kılıyor. Örneğin, öğrencilere kenar cihazlarıyla uygulamalı deneyim sunarak.
Kenar AI Düşünme Şeklimizi Sorguluyor
Yapay zeka ve makine öğreniminin potansiyelinin yalnızca insanlığın yaratıcılığı ve hayal gücüyle sınırlı olduğu sıkça söylenir – ve bu daha doğru olamaz. Makine öğrenimi daha gelişmiş hale geldikçe, bir zamanlar yalnızca insanların yapabileceği birçok görev otomatikleşecek ve içsel verimlilik ve amaç kavramlarımız ciddi şekilde sorgulanacaktır.
Geleceğin ne getireceğini kesin olarak söylemek mümkün olmasa da, Edge AI’nın sundukları konusunda genel olarak iyimserim çünkü bunun bizi daha yaratıcı ve tatmin edici işlere yönlendireceğine inanıyorum. Siz ne düşünüyorsunuz?
Edge AI ile kenar GPU: NVIDIA Jetson gömülü sistemi
NVIDIA Jetson Modülleri Hakkında
NVIDIA® Jetson™, Edge’de güç verimliliği ve kompakt bir form faktörü ile hızlandırılmış AI performansı sunar. Jetson modüllerinin tümü aynı NVIDIA CUDA-X™ yazılımını kullanır ve AI’yı kenarda oluşturmak, dağıtmak ve yönetmek için konteynerleştirme ve orkestrasyon gibi bulut yerel teknolojileri destekler. NVIDIA JetPack™ SDK ile birlikte, Jetson modülleri tüm endüstrilerde yenilikçi ürünler geliştirmenize ve dağıtmanıza yardımcı olacaktır.
En son NVIDIA Jetson üretim modülü destekli kenar cihazlarını, taşıyıcı kartları ve ek bileşenleri Seeed’den satın alın
Jetson Nano/NX ile inşa edilmiş reComputer: Edge’de gerçek dünya AI, $199’dan başlıyor
Şu özelliklerle inşa edilmiştir: Jetson Nano 4GB/ Xavier NX 8GB/16GB
- Her yere sığabilen Edge AI kutusu
- Gömülü Jetson Nano/NX Modülü
- Kolay dağıtım için önceden yüklenmiş Jetpack
- Zengin I/O seti ile Jetson Geliştirici Kitleri ile neredeyse aynı form faktörü
- Yığılabilir ve genişletilebilir
Edge AI ile TPU: Google Coral serisi
Google’ın Coral serisi , TensorFlow Lite ile sinir ağı makine öğrenimi için özel olarak tasarlanmış ASIC’ler olan Tensor İşleme Birimleri (TPU’lar) ile donatılmıştır. Coral Geliştirici kartı, TFLite uygulamalarını kolayca prototiplemenizi sağlayan, TPU ile donatılmış hepsi bir arada bir platformdur ve esnek SoM tasarımı ile üretime bile ölçeklenebilir!
Eğitmenler için özel:
Coral Global Eğitim Programına katılarak, öğrenci veya eğitmen iseniz, nitelikli başvuru sahiplerine Coral Dev Board 1GB liste fiyatı olan $129.99’dan %35 indirim alabilirsiniz. Lütfen programa başvurmak için anketi doldurun ve özel eğitim indirimi kazanın. Eğitim programı hakkında daha fazla bilgi almak için lütfen coraledu@seeed.cc adresine e-posta göndermekten çekinmeyin.
Ürün Özellikleri:
- NXP i.MX 8M SoC (Quad Cortex-A53, Cortex-M4F) CPU
- Entegre GC7000 Lite Grafik
- Google Edge TPU yardımcı işlemci
- 1 GB LPDDR4, 8GB eMMC
- Arayüzler: HDMI, MicroSD, WiFi, Gigabit Ethernet ve daha fazlası!
Coral Dev Board hakkında daha fazla bilgi için lütfen Seeed Online Mağazası’ndaki ürün sayfasını ziyaret edin!
Alternatif olarak, mevcut geliştirme kartlarınızla USB üzerinden Google’ın Edge TPU’sunu kullanmanızı sağlayan Coral USB Hızlandırıcı ile ilgilenebilirsiniz! Daha fazla güç gerektiren gömülü uygulamalar için, Çift Edge TPU’ya sahip Coral M.2 Hızlandırıcı, hızlı M.2 arayüzü aracılığıyla herhangi bir sistemle kullanılabilir ve ciddi makine öğrenimi yetenekleri için iki Edge TPU’ya sahiptir!
Edge AI için SBC’ler
Edge AI hızla gelişiyor ve kimse geride kalmak istemiyor. Neyse ki, Edge AI ile başlamanın birçok farklı kenar cihazı ile her zamankinden daha kolay olduğunu söyleyebilirim. Bu bölümde, Edge AI ile tanışmak isteyenler için birkaç SBC önerisi paylaşmak istiyorum!
Intel Celeron destekli ODYSSEY X86 serisi
Genel amaçlı bilgisayarlara geldiğimizde, ODYSSEY x86 serisinden daha iyi bir şey bulmak zor olacaktır. Güçlü x86 CPU mimarisi üzerinde çalışan bu SBC, herhangi bir kenar bilişim gereksinimini karşılayacak kadar yeterlidir veya hatta masaüstünüzü değiştirmek için bir mini PC olarak hizmet edebilir. Odyssey X86 serisini, yerel olarak işlenen AI ile açık kaynaklı bir NVR kamera sistemi olan Frigate ile kullanmanızı öneririz.
Ürün Özellikleri:
- Intel® Celeron® J4125, Dört Çekirdek 1.5-2.5GHZ
- Çift Bant Frekansı 2.4GHz/5GHz WiFi
- Intel® UHD Grafik 600
- Çift Gigabit Ethernet
- Entegre Arduino Yardımcı İşlemci ATSAMD21 ARM® Cortex®-M0+
- Raspberry Pi 40-Pin Uyumlu
- 2 x M.2 PCIe (B Anahtarı ve M Anahtarı)
- Windows 10 & Linux OS desteği
- Grove Ekosistemi ile uyumlu
Daha fazla bilgi almak ister misiniz? ODYSSEY x86J4158 hakkında daha fazla bilgi için Seeed Online Mağazasını şimdi ziyaret edin!
Başlangıç Dostu: Raspberry Pi 4B
Yeni başlayan biriyseniz veya çocuğunuz için başlangıç dostu bir seçenek arıyorsanız, Raspberry Pi 4B ile kesinlikle yanlış yapmazsınız. Popüler Raspberry Pi, daha önce paylaştığım diğer öneriler kadar güçlü olmasa da, Edge AI veya genel bilişim öğrenmeye çalışan herkes için hala çok yetenekli bir SBC’dir. reTerminal’da TensorFlow modelini çalıştırmayı (TensorFlow Lite Runtime ile güçlendirilmiş bir Raspberry Pi CM4 destekli HMI cihazı) kontrol edin.
“`html
Edge AI çözümleri
Endüstri 4.0 için Edge AI çözümü
Edge AI ile IoT cihazları daha akıllı hale geliyor. Bu ne anlama geliyor? Makine öğrenimi sayesinde, kenar cihazları artık kararlar alabiliyor. Tahminler yapabilir, karmaşık verileri işleyebilir ve çözümler uygulayabilirler. Örneğin, kenar IoT cihazları, belirli bir makinenin arızalanıp arızalanmayacağını tahmin etmek için çalışma koşullarını işleyebilir. Bu, şirketlerin öngörücü bakım yapmalarını ve tam bir arıza durumunda oluşabilecek daha büyük zararları ve maliyetleri önlemelerini sağlar.
?Edge AI kullanım durumu ve örnek kitabımızı buradan indirin, NVIDIA Jetson sisteminin endüstrilerde nasıl yardımcı olduğunu öğrenin.
Kask Tespiti
AI ile entegre edilmiş kenar cihazları, iş ortamında kask gibi kişisel koruyucu ekipman (PPE) uyumunu gerçek zamanlı olarak izleyebilir ve herhangi bir PPE ihlalini güvenlik ve bakım ekiplerine bildirebilir. Bilgisayarla görme ve makine öğrenimi bir araya gelerek PPE uyumunu izleme sürecini otomatikleştirebilir.
Edge Impulse ve YOLOv5 kullanarak uygulamalar geliştirerek Kask Tespiti Broşürümüzü inceleyin.
Trafik Yönetimi için Edge AI çözümü
Akıllı şehir ve kamu güvenliği için akıllı ulaşım sistemi oluşturun
AI entegreli kameralar, şehirlerimizde trafiği sıklıkla engelleyen darboğazları ve sıkışma noktalarını hafifletebilir. Trafik sıkışıklığı, genellikle iki hareket halindeki araç arasındaki mesafe, trafik ışıkları, yol tabelaları ve kavşaktaki yayalar gibi belirli faktörlerin göz ardı edilmesinden kaynaklanır. Akıllı ulaşım sistemi (ITS), araç sınıflandırması, trafik ihlali tespiti, trafik akışı analizi, otopark tespiti, plaka tanıma, yaya tespiti, trafik işareti tespiti, çarpışma önleme ve yol durumu izleme gibi bilgisayarla görme uygulama alanıdır.
Hızlı eğitim ve dağıtım platformları ile NVIDIA Jetson destekli uygulamaların akıllı şehirlere entegrasyonuna örnekler içeren Edge AI çözüm broşürümüzü inceleyin.
- Yaya ve bisikletli tespiti, alwaysAI kullanarak araç ve insan tespiti
- Plaka tespiti
TinyML: Kenar AI Mikrodenetleyicilerde Mümkün mü?
Bu makalede, Edge AI’nin yapay zeka uygulamalarını daha küçük ve daha az güçlü bilgisayarlara nasıl entegre ettiğinden bahsettik. Ama gerçekten, ne kadar küçük olabiliriz? Sadece kilobayt RAM’e sahip mikrodenetleyiciler hakkında ne dersiniz?
Görünüşe göre, cevap kesinlikle EVET – TinyML adı verilen yeni bir kavram sayesinde!
TinyML, Küçük Makine Öğrenimi’nin kısaltmasıdır ve makine öğrenimi modellerinin gerektirdiği hesaplama alanı ve gücü azaltmak için optimizasyon teknikleri kullanır. Özellikle, ML uygulamalarını kompakt, enerji verimli ve en önemlisi uygun fiyatlı mikrodenetleyici birimlerine getirmeyi amaçlar.
TinyML hareketini daha da destekleyen Edge Impulse ve OpenMV gibi şirketler, Edge AI’yi kullanıcı dostu platformlar aracılığıyla daha erişilebilir hale getiriyor. Artık herkes, neredeyse her yerde, önceden uzmanlık olmadan makine öğrenimi uygulamaları dağıtabilir!
Edge AI için En İyi Mikrodenetleyiciler
Grove – Vision AI Modülü V2
Himax WiseEye2 HX6538 işlemcisi ile güçlendirilmiş bir MCU tabanlı görsel AI modülüdür ve rm Cortex-M55 ile Ethos-U55 içerir. vektör veri işleme için ince bir şekilde optimize edilmiş Arm Helium teknolojisini entegre eder ve şunları sağlar:
- Ödüllü düşük güç tüketimi
- DSP ve ML yeteneklerinde önemli bir artış
- Pil ile çalışan uç nokta AI uygulamaları için tasarlanmıştır
Tensorflow ve Pytorch framework’lerini destekleyerek, kullanıcıların hem hazır hem de özel AI modellerini Seeed Studio SenseCraft AI üzerinden dağıtmasına olanak tanır. Ayrıca, modül, Seeed Studio XIAO, Grove, Raspberry Pi, BeagleBoard ve ESP tabanlı ürünler gibi popüler ürünlerle kolay entegrasyon sağlayan IIC, UART, SPI ve Type-C gibi bir dizi arayüze sahiptir.
Seeed Studio XIAO ESP32S3 Sense & Seeed Studio XIAO nRF52840 Sense
Seeed Studio XIAO Serisi, benzer bir donanım yapısına sahip, boyutları tam anlamıyla parmak boyutunda olan küçük geliştirme kartlarıdır. Burada “XIAO” kod adı, “Küçük” özelliğinin yarısını ve diğer yarısını “Güçlü” temsil eder.
Seeed Studio XIAO ESP32S3 Sense, bir OV2640 kamera sensörü, dijital mikrofon ve SD kart desteği entegre eder. Gömülü ML hesaplama gücü ve fotoğrafçılık yeteneğini birleştirerek, bu geliştirme kartı akıllı ses ve görsel AI ile başlamak için harika bir araç olabilir.
Seeed Studio XIAO nRF52840 Sense, Bluetooth 5.0 kablosuz yeteneğine sahiptir ve düşük güç tüketimi ile çalışabilir. Yerleşik IMU ve PDM ile, gömülü Makine Öğrenimi projeleri için en iyi aracınız olabilir.
Buraya tıklayın ve XIAO ailesi hakkında daha fazla bilgi edinin!
“““html
Wio Terminal
Wio Terminal, Realtek RTL8720DN ile desteklenen kablosuz bağlantıya sahip, ATSAMD51 tabanlı tam bir Arduino geliştirme platformudur. Hepsi bir arada mikrodenetleyici olarak, üzerinde 2.4” LCD Ekran, IMU, mikrofon, buzzer, microSD kart yuvası, ışık sensörü ve kızılötesi verici bulunmaktadır. Wio Terminal, Edge Impulse tarafından resmi olarak desteklenmektedir, bu da verileri toplamak, makine öğrenimi modelinizi eğitmek ve nihayetinde optimize edilmiş bir ML uygulaması dağıtmak için kolayca kullanabileceğiniz anlamına gelir!
Edge AI Araçları, Projeler & Başlarken
Edge AI hala nispeten yeni bir alan olup, farklı şirketler kendi akıllı çözümlerini geliştirme sürecindedir. Buna rağmen, kendi Edge AI projenizi oluşturmanıza yardımcı olacak birçok kaynak bulunmaktadır!
Bilgisayarla Görme ve Gömülü Makine Öğrenimi
- Edge AI no code Vision aracı, Seeed’in AI uygulamasını 3 düğüm içinde dağıtmak için en son açık kaynak projesidir.
- NVIDIA DeepStream SDK AI tabanlı çoklu sensör işleme ve video ile görüntü anlama için tam bir akış analitiği araç seti sunar.
- NVIDIA TAO araç seti, TensorFlow ve PyTorch üzerine inşa edilmiştir ve model eğitimini hızlandıran düşük kodlu bir versiyonudur.
- alwaysAI: reComputer’ın kenarında bilgisayarla görme uygulamaları oluşturun, eğitin ve dağıtın. Kurumsal abonelik ile birkaç tıklama ile 100’den fazla önceden eğitilmiş Bilgisayarla Görme Modeline ücretsiz erişim elde edin. alwaysAI ile başlamak için wiki rehberimize göz atın.
- Edge Impulse: ses, sınıflandırma ve nesne tespiti uygulamalarını kenarda bulut bağımlılığı olmadan dağıtmak için en kolay gömülü makine öğrenimi hattıdır.
- Roboflow ham görüntüleri nesne tespiti ve sınıflandırma için özel olarak eğitilmiş bir bilgisayarla görme modeline dönüştürmek ve modeli uygulamalarda kullanılmak üzere dağıtmak için araçlar sağlar. Roboflow ile NVIDIA Jetson’a dağıtım için tam belgeleri gözden geçirin.
- Ultralytics tarafından YOLOv5: yalnızca çok az eğitim örneği gerektiren birkaç örnek nesne tespiti gerçekleştirmek için transfer öğrenimini kullanın. Adım adım wiki öğreticilerimize göz atın.
- Deci: modellerinizi NVIDIA Jetson Nano üzerinde optimize edin. NVIDIA Jetson Nano ve Xavier NX cihazlarında otomatik olarak performans değerlendirmesi ve optimizasyonu hakkında webinar kontrol edin.
Uzaktan Filoların Yönetimi
Güvenli OTA ve uzaktan cihaz yönetimini etkinleştirin Allxon ile. H4U-NMW-CPK kodu ile 90 gün ücretsiz deneme süresini açın.
Robot ve ROS Geliştirme
- NVIDIA Isaac ROS GEM’leri, ROS geliştiricilerinin NVIDIA donanımında yüksek performanslı çözümler oluşturmasını kolaylaştıran donanım hızlandırmalı paketlerdir. Daha fazla bilgi için NVIDIA Geliştirici Araçları hakkında bilgi edinin.
- Cogniteam Nimbus geliştiricilerin otonom robotları daha etkili bir şekilde yönetmelerini sağlayan bulut tabanlı bir çözümdür. Nimbus platformu, NVIDIA® Jetson™ ve ISAAC SDK ve GEM’leri kutudan çıkar çıkmaz destekler. Nimbus ile ROS Projenizi Buluta Bağlama konulu webinar videomuzu izleyin.
Jetson AI kursları ve sertifikaları
NVIDIA’nın Derin Öğrenme Enstitüsü (DLI), geliştiricilere, eğitimcilere, öğrencilere ve hayat boyu öğrenenlere kenar bilişimde pratik, uygulamalı eğitim ve sertifika sunmaktadır. Bu, kariyerinizde başarılı olmak ve ilerlemek için ihtiyaç duyduğunuz kritik AI becerilerini kazanmanın harika bir yoludur. Bu ücretsiz açık kaynak kursları tamamladıktan sonra, Jetson ve AI konusundaki anlayışınızı göstermek için bir sertifika bile kazanabilirsiniz.
Transfer öğrenimini kullanarak Ultralytics YOLOv5 ve Roboflow ile çok az örnekle bir veri seti eğitin.
Daha fazla detay için ? wiki’mizi takip etmeyi deneyin!
Wiki’de, kendimiz tarafından toplanan küçük bir veri seti ile kamuya açık olarak mevcut olan büyük bir veri seti arasındaki eğitim süresi farkını gösterdik. Ayrıca, eğitilmiş modeli, NVIDIA Jetson platformu gibi bir kenar cihazında daha iyi doğrulukla daha hızlı çıkarım yapmak için kullanacağız.
Wio Terminal’da TFLite ile Akıllı Hava Durumu İstasyonu
Hava durumu istasyonları, yapımcı topluluğu arasında popüler bir projedir. Neden bir adım daha ileri gitmeyip yerel hava tahminleri sağlamak için Edge AI yetenekleri eklemiyorsunuz? Dimitry Maslov’un bu projesi tam olarak bunu yapıyor – tüm detaylar için tam makaleye buradan ulaşın!
Gerekli Malzemeler:
Bu öğretici, Wio Terminal ve Arduino IDE kullanarak TinyML Öğrenin serimizin de bir parçasıdır. Her birine göz atmayı unutmayın!
- Wio Terminal ve Arduino IDE kullanarak TinyML Öğrenin #1 Giriş
- Wio Terminal ve Arduino IDE kullanarak TinyML Öğrenin #2 Ses Sahnesi Tanıma ve Mobil Bildirimler
- Wio Terminal ve Arduino IDE kullanarak TinyML #3 İnsan Sayma ve Azure IoT Central Entegrasyonu
- Wio Terminal ve Arduino IDE kullanarak TinyML Öğrenin #4 Mikrodenetleyiciler için Tensorflow Lite ile Hava Tahmini
Raspberry Pi ile Makine Öğrenimi Destekli Envanter Takibi
Bu proje, bir fotoğraftaki nesneleri saymak için makine öğrenimi destekli nesne tespitini kullanmaktadır! Envanter sayıları daha sonra Azure IoT Central’a yüklenir, böylece envanter her zaman ve her yerde izlenebilir.
Gerekli Malzemeler:
“`
- Raspberry Pi 4
- Raspberry Pi Kamera Modülü V2, VEYA
- Herhangi bir USB Web Kamerası
Bunu kendiniz denemek ister misiniz? Tam adım adım öğreticim için buraya göz atın!
Wio Terminal & Edge Impulse ile El Yazısı Tanıma Oluşturma
Sadece bir mesafe sensörü ile el yazısı tanımanın mümkün olduğunu düşünüyor musunuz? Cevap, aslında, bir nevi! Bu proje, sadece bir ToF sensöründen alınan zaman serisi verileri üzerinde makine öğrenimi kullanarak el yazısı hareket kalıplarını tanımaktadır! Bu, kesinlikle bir kavram kanıtı projesi ve gerçek uygulamadan uzak, umarım bu, kendi projeniz için çılgın fikirler düşünmenizi teşvik eder!
Gerekli Malzemeler:
Her zamanki gibi, tam adım adım öğretici için buraya göz atabilirsiniz!
Özet & Daha Fazla Kaynak
Bu makaleyi okuduğunuz için teşekkürler! Edge AI’nın ne olduğunu ve IoT’nin ve hatta insanlığın geleceği için ne anlama geldiğini biraz aydınlatabilmişimdir umarım. SBC’ler ve mikrodenetleyiciler artık bu alana katıldıkça, makine öğrenimi uygulamalarını keşfetmek ve kendiniz için bazı Edge AI projeleri oluşturmak için daha iyi bir zaman yok!
Son olarak, faydalı bulabileceğiniz bazı kaynaklar: