La plate-forme d’apprentissage automatique Edge Impulse pour les appareils Edge a publié une nouvelle suite d’outils développés sur NVIDIA TAO Toolkit et Omniverse qui apporte de nouveaux modèles d’IA au matériel d’entrée de gamme basé sur les processeurs Arm Cortex-A, les microcontrôleurs Arm Cortex-M ou Arm Ethos- U NPU.
En combinant Edge Impulse et NVIDIA TAO Toolkit, les ingénieurs peuvent créer des modèles de vision par ordinateur qui peuvent être déployés sur du matériel optimisé en périphérie tel que NXP I.MX RT1170, Alif E3, STMicro STM32H747AI et Renesas CK-RA8D1. La plate-forme Edge Impulse permet aux utilisateurs de fournir leurs propres données personnalisées avec des modèles NVIDIA TAO formés par GPU tels que YOLO et RetinaNet, et de les optimiser pour un déploiement sur des appareils de périphérie avec ou sans accélérateurs d’IA.
NVIDIA et Edge Impulse affirment que cette nouvelle solution permet le déploiement de modèles NVIDIA à grande échelle sur des appareils basés sur Arm, et qu’à l’heure actuelle, les tâches de détection d’objets et de classification d’images suivantes sont disponibles : RetinaNet, YOLOv3, YOLOv4, SSD et classification d’images. Vous pouvez consulter la documentation pour l’essayer sur votre propre plateforme. L’inconvénient est que la solution nécessite des heures GPU pour la formation qui ne sont disponibles que pour les entreprises clientes (forfaits payants).
La deuxième partie de l’actualité concerne l’intégration d’Edge Impulse avec NVIDIA Omniverse pour les applications utilisant des données synthétiques et des environnements de test pour la périphérie. La génération de données synthétiques est utile dans les cas où l’obtention de données réelles peut être coûteuse, prendre du temps, créer des problèmes de confidentialité ou ne peut tout simplement pas prendre en compte tous les types de scénarios. Edge Impulse s’appuie sur NVIDIA Omniverse Replicator pour générer des données synthétiques qui peuvent ensuite être introduites dans leur modèle d’IA pour les appareils de pointe pour des applications telles que l’inspection des lignes de production manufacturières pour détecter des défauts, des dysfonctionnements d’équipement ou la détection d’objets d’inventaire chirurgical pour éviter les complications postopératoires.
Les avantages de la génération de données synthétiques incluent :
- Réduisez les coûts de prototypage physique et de tests via des outils virtuels
- Accélérez le temps de développement et d’expérimentation, ce qui accélère la mise sur le marché
- Simulez le comportement des capteurs et des modèles, testez la compatibilité des MCU, et bien plus encore.
- Utilisez des données synthétiques pour renforcer la fiabilité du modèle et créer des scénarios difficiles à reproduire
Si je comprends bien, cela ne nécessite pas de forfait payant, car la documentation indique que cela se fait sur la propre machine Windows 10/11 ou Linux de l’utilisateur avec au moins un processeur quad-core (huit cœurs recommandés), 16 Go de RAM (32 Go ou plus recommandé), et une NVIDIA GeForce RTX 2080, mais obtenir une Quadro RTX500 est préférable, et un système avec plusieurs cartes graphiques Quadro RTX 8000 est préférable…
De plus amples informations peuvent être trouvées dans le billet de blog d’annonce.
Retrouvez l’histoire de Raspberry Pi dans cette vidéo :
-
Plate-forme de confinement anti-fuite, palette modulaire antidérapante pour une gestion et un stockage sûrs des déversements -
Plate-forme de confinement anti-fuite, palette modulaire antidérapante pour une gestion et un stockage sûrs des déversements