Description
Der Coral USB Accelerator fügt Ihrem System einen Edge-TPU-Coprozessor hinzu, der schnelles maschinelles Lernen auf einer Vielzahl von Systemen ermöglicht, indem Sie ihn einfach an einen USB-Anschluss anschließen.
Führt eine Hochgeschwindigkeits-ML-Inferenz durch
Der integrierte Edge-TPU-Coprozessor kann 4 Billionen Operationen (Tera-Operationen) pro Sekunde (TOPS) ausführen, wobei 0,5 Watt pro TOPS (2 TOPS pro Watt) verwendet werden. Beispielsweise können hochmoderne Mobile-Vision-Modelle wie MobileNet v2 mit fast 400 FPS energieeffizient ausgeführt werden. Weitere Leistungsbenchmarks
Unterstützt alle wichtigen Plattformlinks
Verbindung über USB mit jedem System unter Debian Linux (einschließlich Raspberry Pi), macOS oder Windows 10.
Unterstützt TensorFlow Lite
Modelle müssen nicht von Grund auf neu gebaut werden. TensorFlow Lite-Modelle können für die Ausführung auf dem Edge-TPU kompiliert werden.
Unterstützt AutoML Vision Edgelink
Mit AutoML Vision Edge können Sie schnell und präzise benutzerdefinierte Bildklassifizierungsmodelle erstellen und auf Ihrem Gerät bereitstellen.
Perfekt in Kombination mit dem Pi 4!
Mit Hilfe der Google Coral Edge TPU kann Inferenz beispielsweise mit dem MobileNet v2 Model bis zu 20 x schneller als auf "dem nackten" Pi 4 ausgeführt werden. Es können so real-time Erkennungen in Videostreams mit über 50 fps durchgeführt werden, die mit dem Pi 4 ohne Beschleuniger nicht möglich wären.
Dank Python und vielen Beispielen online rund um TensorFlow kann man in das Thema künstliche Intelligenz und Machine Learning mit dem Google Coral USB Accelerator einfach und mit Stil einsteigen.
Hier finden Sie die offizielle "Get started" Anleitung für den USB Accelerator!
Technische Daten
- ML Beschleuniger: Google Edge TPU coprocessor: 4 TOPS (int8); 2 TOPS pro Watt
- Verbindung: USB 3.0 Type-C* (data/power)
- Dimensionen: 65 mm x 30 mm
- Leistungsaufnahme bis zu 900 mA Peak @ 5 V
* Kompatibel mit USB 2.0, aber die Inferenzgeschwindigkeit ist viel langsamer.
- Linux Debian 6.0 oder höher, oder ein Derivat davon (bspw. Ubuntu 10.0+, Raspbian)
- Systemarchitektur: x86-64, ARMv7 (32-bit) oder ARMv8 (64-bit)
- macOS 10.15 mit entweder MacPorts oder Homebrew installiert
- Windows 10
- Ein freier USB Port (sollte für beste Performance USB 3 sein)
- Python 3.5, 3.6 oder 3.7
Empfohlene Umgebungstemperatur
- 35°C - reduzierte Taktfrequenz
- 25°C - maximale Taktfrequenz (für optimale Leistung)
Dokumentation
Datenblatt
Anwendungshinweise
Software-Anleitungen
- Model compatibility on the Edge TPU
- Edge TPU inferencing overview
- Run multiple models with multiple Edge TPUs
- Pipeline a model with multiple Edge TPUs
