G950-06809-01 Acelerador USB Coral Edge TPU para IA

INFORMACIÓN

El G950-06809-01 Acelerador USB es un dispositivo diseñado para proporcionar aceleración de hardware en tareas de inferencia de modelos de aprendizaje automático a través del Edge TPU desarrollado por Google, cuenta con un puerto USB 3.0 lo que te permitirá conectarlo fácilmente a una computadora u otro dispositivo host. Es compatible con sistemas operativos Linux, MacOS y Windows. Este dispositivo esta optimizado para ejecutar modelos de TensorFlow Lite, ofreciendo un rendimiento de hasta 4 teraoperaciones por segundo con un consumo de energía de 2W, lo que se traduce en 2TOPS por watt. 

El G950-06809-01 Acelerador USB tiene un tamaño compacto y es capaz de integrarse en diversos entornos de desarrollo, lo  que lo convierte en una herramienta versátil para desarrolladores y entusiastas de la IA que quieran crear proyectos de reconocimiento de imágenes, detección de objetos y más.

ESPECIFICACIONES Y CARACTERÍSTICAS

• Marca: Coral
• Modelo: G950-06809-01
• Acelerador: Coprocesador Google Edge TPU
• Colores: Plateado
• Voltaje de Alimentación: 5V
• Corriente
  • Alimentación: 500mA
  • Pico: 900mA
• Puerto de Conexión: USB 3.0
• Sistemas operativos compatibles:
  • Windows
  • MacOS
  • Linux (incluido Raspberry Pi OS)
• Incluye Cable de Conexión USB-C a USB-A
• Dimensión: 65 x 30 x 8 mm
• Peso: 93g

DOCUMENTACIÓN Y RECURSOS

• Datasheet
• Dimensiones
• Modelo 3D
• Librería
• Edge TPU Runtime
• Primeros pasos con el Acelerador USB – Blog

INFORMACIÓN ADICIONAL

¿Cómo correr un modelo TensorFlow Lite?

Para correr un modelo TensorFLow Lite con el Acelerador USB debes descargar el Edge TPU runtime y la librería PyCoral. Para ello el host que utilices debe cumplir con los siguientes requerimientos:

• Sistema operativo:
  • Linux Debian 10 o sistemas derivados, como Ubuntu 18.04
    •  Arquitectura del sistema: x86-4 o Armv7/Armv8. Incluye soporte para Raspberry Pi 3 Modelo B+, Raspberry Pi 4, Raspberry Pi 5 y Raspberry Pi Zero 2*.
  • MacOS 10.15 u 11, con MacPorts o Homebrew instalados.
  • Windows 10
• Un Puerto USB disponible, para obtener un mejor rendimiento se recomienda utilizar un Puerto USB 3.0
• Python 3.6 – 3.9

*NOTA: Los usuarios de Raspberry pi puedes utilizar la imagen del Sistema AIY Maker Kit, esta imagen incluye todo lo necesario para usar el Acelerador USB.

1. Instalar Edge TPU Runtime

El Edge TPU Runtime proporciona la interfaz de programación principal para el Acelerador USB.

• LINUX

1. Agregar repositorio de paquetes Debian al Sistema con el siguiente comando

   echo "deb https://packages.cloud.google.com/apt coral-edgetpu-stable main" | sudo tee /etc/apt/sources.list.d/coral-edgetpu.list
   
   curl https://packages.cloud.google.com/apt/doc/apt-key.gpg | sudo apt-key add -
   
   sudo apt-get update

2. Instalar Edge TPU Runtime

   sudo apt-get install libedgetpu1-std

3. Conecte el Acelerador USB a tu Host usando el cable USB 3.0. Si se conecto antes de este punto, retire y vuelva a conectar para que la regla udev recién instalada surta efecto

• MacOS

1. Descargar y descomprimir Edge TPU Runtime

   curl -LO https://github.com/google-coral/libedgetpu/releases/download/release-grouper/edgetpu_runtime_20221024.zip 
   
   descomprimir edgetpu_runtime_20221024.zip

2. Instalar Edge TPU Runtime

   cd edgetpu_runtime sudo bash install.sh

   El script de instalación le preguntará si desea habilitar la frecuencia máxima de funcionamiento. Funcionar a la frecuencia de operación máxima aumenta la velocidad de inferencia pero también aumenta el consumo de energía y hace que el acelerador USB se caliente mucho. Si no está seguro de que su aplicación requiera un mayor rendimiento, debe escribir «N» para utilizar la frecuencia de operación reducida. Puede cambiar esto más tarde volviendo a ejecutar este script.

3. Conecte el Acelerador USB a tu Host usando el cable USB 3.0.

• Windows

1. Verificar que se tenga la ultima versión de Microsoft Visual C++ 2019.
2. Descargar Edge TPU Runtime.
3. Descomprime el archivo ZIP y haz doble clic en nel archivo install.bat. Se abrirá una ventana de instalación donde se le preguntará si desea habilitar la frecuencia de operación máxima.
   La frecuencia de operación máxima aumenta la velocidad de inferencia pero también aumenta el consumo de energía y hace que el acelerador USB se caliente mucho. Si no está seguro de que su aplicación requiera un mayor rendimiento, escriba «N» para utilizar la frecuencia de operación reducida. Puede cambiar esto más tarde volviendo a ejecutar este script.
4. Conecte el Acelerador USB a tu Host usando el cable USB 3.0.

2. Instalar Librería PyCoral

PyCoral es una biblioteca de Python construida sobre la biblioteca TensorFlow Lite para acelerar su desarrollo y proporcionar funcionalidad adicional para Edge TPU.

• LINUX

Si está utilizando un sistema Linux basado en Debian (incluida una Raspberry Pi), instale PyCoral utilizando el siguiente comando:

sudo apt-get install python3-pycoral

• MacOS  y Windows

Si está utilizando Mac o Windows, instale PyCoral utilizando el siguiente comando:

python3 -m pip install --extra-index-url https://google-coral.github.io/py-repo/ pycoral~=2.0

NOTA: Si es usuario Windows en lugar de escribir python3 como se muestra aquí, puede usar el iniciador py. Solo asegúrese de utilizar Python 3.6 o posterior.

3. Ejecución del Modelo en Edge TPU

NOTA: Si es usuarios de Windows el siguiente código se basa en un script Bash para instalar dependencias. Si es nuevo en el uso de Bash en Windows, le sugerimos que pruebe el Subsistema de Windows para Linux o Git Bash de Git para Windows .

1. Siga estos pasos para realizar la clasificación de imágenes con el código de ejemplo del Acelerado USB y MobileNet v2:

   mkdir coral && cd coral
   
   git clone https://github.com/google-coral/pycoral.git
   
   cd pycoral

2. Descargue el modelo, las etiquetas y la foto del pájaro:

   bash examples/install_requirements.sh classify_image.py

3. Ejecute el clasificador de imágenes con la foto del pájaro:

   python3 examples/classify_image.py 
   --model test_data/mobilenet_v2_1.0_224_inat_bird_quant_edgetpu.tflite 
   --labels test_data/inat_bird_labels.txt 
   --input test_data/parrot.jpg

   Deberías ver resultados como este:

   ----INFERENCE TIME----
   Note: The first inference on Edge TPU is slow because it includes loading the model into Edge TPU memory.
   11.8ms
   3.0ms
   2.8ms
   2.9ms
   2.9ms
   -------RESULTS--------
   Ara macao (Scarlet Macaw): 0.75781

4. ¡Felicitaciones! Acabas de realizar una inferencia en Edge TPU usando TensorFlow Lite.

ENLACES EXTERNOS

• Acelerador USB + Raspberry Pi 5 – Vídeo
• Acelerador USB Review – Vídeo
• Detección de Personas con Acelerador USB – Vídeo