Radxa AICore DX-M1M : Module d’accélération IA compact et performant au service de l’industrie

Selon cnx-software, le module d’accélération d’IA Radxa AICore DX-M1M se distingue par sa conception compacte et à faible consommation. Équipé de l’unité de traitement neuronal DeepX DX-M1M, il offre des performances impressionnantes allant jusqu’à 25 TOPS (INT8) tout en ne consommant que 3 W d’énergie.

25 TOPS avec DeepX DX-M1M : un choix judicieux pour l’IA embarquée

Destiné à divers secteurs, notamment les bras de robots industriels, les robots mobiles autonomes, les serveurs de périphérie, les drones et les appareils AIoT, ce module garantit des performances d’IA et de machine learning tout en préservant l’économie d’énergie. En utilisant une interface PCIe Gen3 x2, il est compatible avec des systèmes x86 et ARM, comme le Raspberry Pi 5 et le Radxa ROCK.

Clé de la performance : 1 Go LPDDR4X et NPU optimisé

Le module AICore DX-M1M intègre entre autres une mémoire système de 1 Go LPDDR4X fonctionnant à 4 266 MT/s, qui peut être étendue jusqu’à 8 Go selon les spécifications de DeepX. Le stockage est assuré par une mémoire Flash QSPI NAND/NOR de 1 Gbit. Concernant les dimensions, il mesure 42 x 22 mm, en prenant en charge le format M.2 2242 tout en restant compatible avec des emplacements M.2 2280 via adaptateurs.

Pour un fonctionnement optimal, le module peut fonctionner dans une plage de température allant de -25°C à 65°C, garantissant des performances stables sans limitation. Toutefois, au-delà de 65°C jusqu’à 85°C, des protections thermiques entrent en jeu.

Le Radxa AICore DX-M1M utilise le SDK DEEPX DXNN, qui facilite la compilation, l’optimisation et l’inférence matérielle sur le NPU DEEPX. Il est capable de gérer des modèles populaires tels que PyTorch, ONNX, TensorFlow et Keras grâce au compilateur DX-COM, qui convertit ces modèles au format propriétaire DXNN.

Ce SDK comprend également un pilote DXRT-NPU-Driver pour une interaction fluide avec le NPU, ainsi qu’un runtime DX-RT. Les développeurs peuvent profiter de modèles de démonstration en C++/Python et des outils comme DX-Tron, qui permettent une visualisation des modèles. Le tout est compatible avec Windows 10/11 et plusieurs distributions d’Ubuntu, en plus des environnements Docker.

Accélération du déploiement : options de développement variées

Pour simplifier le déploiement, Radxa propose DX-All Suite, un package permettant de configurer rapidement l’environnement DXNN, que ce soit via une installation locale ou dans des environnements Docker. Les instructions détaillées sont disponibles dans le guide de démarrage.

Il est à noter que le module AICore DX-M1M est un choix optimal pour une intégration rapide, grâce à son architecture qui combine le NPU et la mémoire sur puce. Radxa propose également le DX-M1ML, une version plus légère qui atteint des performances de 13 TOPS.

Le prix du Radxa AICore DX-M1M est de 97,67 $ sur AliExpress et 85,00 $ chez Arace Tech. Il est recommandé d’utiliser un refroidisseur actif comme le Radxa Heatsink 2012B pour maintenir des performances stables lors d’une charge continue. Pour plus d’informations, veuillez consulter la page produit.