Google Coral System-on-Module (SoM)

Das Google Coral System-on-Module (SoM) ist ein komplett integriertes Systemmodul für hardwarebeschleunigte Machine Learning Anwendungen, bestehend aus CPU, GPU, Edge TPU, Wi-Fi, Bluetooth, und Speicher in nur 40mm x 48mm Größe.

Dieses Modul kann einfach in Ihre eigene Hardware (und Anwendung) eindesigned werden. Es ist beispielsweise der Kern des Coral Dev Boards (in der 4GB Variante).

Ihre Vorteile:

• Das Design eines passenden Trägerboards für Ihre machine learning Anwendung ist deutlich kosteneffektiver, und schneller.
• Sie erhalten eine aufeinander abgestimmte Hardwareplattform mit guter Softwareunterstützung.
• Durch die drei Speichervarianten können Sie die für Ihre Anwendung passendste wählen - Ihren Kunden Optionen anbieten, oder Kosten optimieren

Tipp: wir bieten Ihnen Hardware- und Softwaredesign aus einer Hand, rund um Coral sowie die Raspberry Pi Plattform. Nehmen Sie bei Interesse für ein unverbindliches und kostenfreies Erstgespräch bitte Kontakt mit uns auf.

Bitte kontaktieren Sie uns ab 100 Stück Bedarf für Mengenrabatte.

Hinweis zur Verfügbarkeit / availability

Wir erwarten das Coral 1GB SoM ca. Anfang Mai.

Wir führen auch den Coral USB Accelerator, sowie das Coral Dev Board Mini. Für besonders hohe Leistung empfehlen wir das Coral Dev Board 4 GB zu nutzen, während das Dev Board Mini vor allem für Low-Cost Lösungen sinnvoll ist.

Coral SoM

Das Google Coral SoM enthält neben der EdgeTPU die wichtigsten Komponenten eines embedded-PC:

• NXP i.MX 8M SoC (CPU + GPU)
• Google Edge TPU ML accelerator
• Crypto-Koprozessor
• Wi-Fi + Bluetooth
• 8 oder 16 GB eMMC
• 1, 2, oder 4 GB LPDDR4
• USB 3.0 Schnittstelle
• Gigabit Ethernet Schnittstelle
• HDMI und MIPI-DSI
• MIPI-CSI-2
• bis zu 95 x GPIO (inklusive SPI, I2C, PWM, UART, SAI und SDIO)

Sie können im Prototyping-Stadium Ihre Anwendung mit Hilfe des 4GB Coral Development Boards umsetzen, das auf diesem SoM Modul basiert - und anschließend einfach ein eigenes Hardware-Design realisieren, das für Ihre Anwendung optimiert ist.

Die Edge TPU

Mit der Edge TPU können Tensor Flow Lite Modelle schnell und energiesparend für Inferenz genutzt werden. Ein besonderer Vorteil dieser Lösung: Ihre Daten bleiben lokal. Das hilft bei der Latenz, und natürlich beim Datenschutz! (Und entsprechend der Befolgung der relevanten Gesetze, beispielsweise der Datenschutz-Grundverordnung (DSGVO), auf Englisch GDPR genannt)

Google nutzt zunehmend künstliche Intelligenz (AI) und maschinelles Lernen (ML) um seine Dienstleistungen zu realisieren. Dazu entwickelte es für seine Rechenzentren spezialisierte Prozessoren namens TPU ("tensor processing unit"), die die Algorithmen mit dem TensorFlow Framework schneller und energiesparender ausführen können. Beispielsweise wird Google Maps durch von Street View aufgenommene Straßenschilder verbessert, die mit Hilfe eines auf TensorFlow basierenden neuronalen Netzes analysiert werden. Der Clou: TensorFlow kann einfach in Python programmiert werden.

Die Edge TPU unterstützt das TensorFlow Lite Framework. Die Edge TPU kann bis zu 4 Billionen Rechenoperationen pro Sekunde mit nur 2 W Verbrauch durchführen. TensorFlow Lite ist eine abgewandelte Variante von TensorFlow, die speziell auf den Bedarf mobiler Endgeräte und von embedded devices angepasst wurde. Viele TensorFlow Anwendungen lassen sich auch in TensorFlow Lite realisieren.

Technische Daten Coral SoM (System-on-Module)

NXP i.MX 8M SoC

• Quad-Core ARM Cortex-A53 (@1.5 GHz, 64-bit ARMv8-A) + Cortex-M4F
• Vivante GC7000Lite GPU (supports Vulkan), 32 GFLOPs 32-bit or 64 GFLOPs 16-bit
• 4Kp60 HEVC/H.265 main und main 10 decoder
• 4Kp60 VP9, 4Kp30 AVC/H.264 decoder (benötigt volle Systemleistung)
• 1080p/60fps MPEG-2, MPEG-4, MJPEG, H.263 decoder

Speicher

• Flash: 8GB oder 16 GB eMMC (nur 4GB RAM Variante)
• RAM: 1GB / 2GB / 4GB LPDDR4 Varianten
• SDIO Schnittstelle unterstützt Boot von SD Karte (falls in Ihrem Design vorhanden)

EdgeTPU

• Google Edge TPU ML accelerator coprocessor
• 4 TOPS (int8); 2 TOPS pro Watt
• an NXP i.MX 8M SoC via PCIe (Gen2 x1) und I2C/GPIO angebunden

Tipp: die Anbindung via PCIe ermöglicht die maximale Transferrate auf das EdgeTPU Modul, daher ist das Coral System-on-Module insbesondere gut für Anwendungen mit hoher Framerate / hohen Leistungserfordernissen geeignet.

Netzwerk & USB

Das Coral SoM verfügt über folgende Netzwerk-Schnittstellen:

• Wi-Fi 2x2 MIMO (802.11a/b/g/n/ac 2.4/5GHz), Murata LBEE5U91CQ Modul
• Bluetooth 4.2 and BLE (Bluetooth Low Energy), Murata LBEE5U91CQ Modul
• 2x USB 3.0/2.0 Controller mit integrierten PHYs
• 1x Gigabit Ethernet Controller, unterstützt EEE, Ethernet AVB, und IEEE 1588, via RGMII (Reduced gigabit media-independent interface)

HDMI Bildschirm-Schnittstelle

• HDMI 2.0a (Standard-Größe), unterstützt einen Bildschirm mit bis zu 1080p Auflösung
• Hochskalierung & Herunterskalierung zwischen 4K und HD Video (nutzt volle Systemressourcen)
• 20+ Audio interfaces 32-bit @ 384 kHz fs, mit Time Division Multiplexing (TDM) support
• SPDIF Eingang und Ausgang
• Audio Return Channel (ARC) über HDMI wird unterstützt

MIPI-DSI Bildschirm-Schnittstelle

• MIPI-DSI 4 Lanes, unterstützt eine Anzeige, Auflösungen bis zu 1920 x 1080 @ 60 Hz
• LCDIF Display Controller
• Ausgabe: LCDIF oder DC display controller output

Audio

• 1x SPDIF Eingang und Ausgang
• 2x synchronous audio interface (SAI) Module, unterstützen I2S, AC97, TDM und codec/DSP Interfaces
• 1x SAI für 8 Tx Kanäle für HDMI Audioausgang
• 1x SPDIF Eingang für HDMI Arc Eingang

Kamera

• 2 x MIPI-CSI2 Kameraeingänge (jeweils 4-lane)

GPIO-Interface

• 2x UART Schnittstelle
• 2x I2C Schnittstelle
• 2x SPI Schnittstellen
• 16x GPIOs mit Interrupt-Fähigkeit
• 4x PWM Ausgänge

Konnektivität & Schnittstellen: Sonstiges

• 1x uSDHC Interface
• IOMUXC (Input/output multiplexing controller) für Kontrolle der pads

Hinweis: das SoM nutzt einige der SoC GPIOs / Schnittstellen intern, bspw. um die Coral Edge TPU anzubinden. Die hier aufgeführten Schnittstellen berücksichtigen das bereits, und stehen Ihnen uneingeschränkt zur Verfügung.

Sicherheit

• Resource Domain Controller (RDC), supports four domains and up to eight regions
• Arm TrustZone (TZ) architecture
• On-Chip RAM (OCRAM) secure region protection using OCRAM controller
• High Assurance Boot (HAB)
• Cryptographic acceleration and assurance (CAAM) module
• Secure non-volatile storage (SNVS): Secure real-time clock (RTC)
• Secure JTAG controller (SJC)
• Crypto Koprozessor Microchip ATECC608A

Spannungsversorgung

Das Coral SoM benötigt eine Spannungsversorgung mit 5 V, und generiert daraus alle anderen benötigten Spannungen selbst mit einem on-board PMIC.

Leistungsaufnahme des SoM ca.:

• idle: 2.6 W
• idle mit HDMI Ausgabe: 3.0 W
• High performance: 6.2 W

Weitere Informationen

• Abmessungen des Coral SoM: 40 mm x 48 mm x 5.11 mm
• Gewicht: 13 g
• Verbindung zum Trägerboard: das SoM wird mit dem Trägerboard über drei 100-polige Steckverbinder (Hirose DF40C-100DP-0.4V) verbunden.

Software-Unterstützung

Mendel Linux

Mendel Linux ist ein von Google entwickeltes Debian-Derivat, speziell für die Coral Plattform. Auf dem SoM ist ab Werk ein Bootloader vorinstalliert, Sie müssen Mendel Linux manuell installieren. Hier finden Sie eine Anleitung dazu.

Mendel Linux nutzt Debian's upstream binary packages, um möglichst hohe Kompatibilität zu bewahren, und Sicherheitsupdates zeitnah zu ermöglichen. Es unterstützt aktuell nur die Coral Dev Boards (auch als "enterprise" oder "phanbell" bekannt) und die Coral SoM Module (System-on-Module).

TensorFlow Lite

Das Coral System-on-Module unterstützt die Ausführung von (kompilierten) TensorFlow Lite Modellen auf seiner EdgeTPU.

AutoML Vision Edge

Das Coral System-on-Module unterstützt AutoML Vision Edge, um Modelle für Bild-Klassifikation (image classification models) schnell zum Einsatz bringen zu können.

Empfohlenes weiteres Zubehör:

• Google Coral Dev Board 4GB (Entwicklungsboard mit 4GB Coral SoM Modul)

Potential für industrielle Anwendungen & Consulting

Die Google Coral TPU & TensorFlow Lite sind eine revolutionäre Produkt-Plattform für machine learning Anwendungen! Damit werden embedded Lösungen möglich, die beispielsweise Probleme mit Werkstücken erkennen können, Verkehrssituation erkennen können, und vieles mehr.

Das Coral SoM (System-on-Module) eignet sich wenn Sie eine eigene Hardware-Lösung anstreben, die höhere Anforderungen an machine-learning Inferenz stellt, und gleichzeitig eine optimierte Leistungsaufnahme erfordert.

Als Alternative zu dem SoM, das eine eigene Plattform bietet, gibt es von Coral by Google auch PCI Express Module und M.2 Module, die Ihre existierende oder off-the-shelf hardware erweitern können. Gerne beraten wir Sie zu den Möglichkeiten.

Consulting

Gerne beraten wir Sie rund um Google's Coral Produktsortiment. Wir sagen Ihnen ehrlich, wenn wir Potential für Ihre Anwendung sehen, und wenn aus unserer Sicht eine andere Lösung besser geeignet wäre.

Nehmen Sie mit uns bei Interesse bitte Kontakt auf

Hardware & Softwareentwicklung

Wir bieten Ihnen Hardware & Softwareentwicklung aus einer Hand.

Wir bieten Ihnen auch Softwareentwicklung rund um das Thema künstliche Intelligenz auf. Es ist ein junges Gebiet mit massivem Wertschöpfungspotential für Sie und Ihre Firma - nehmen Sie bei Interesse an diesem zukunftsweisenden Gebiet gerne Kontakt mit uns auf.

Downloads & Dokumentation

Coral SoM (System-on-Module)

• System-on-Module Datenblatt (PDF, englisch)
• Einstieg mit dem System-on-Module (englisch)

Edge TPU & Modelle

• Einführung in Modelle auf der EdgeTPU (englisch) (Tensor Flow Lite Modelle)
• Überblick über das Inferencing auf der Edge TPU (englisch)
• Betrieb mehrerer Modelle mit mehreren Edge TPUs (englisch)
• Ein Modell auf mehrere Edge TPUs aufteilen (englisch)

API & Downloads

• PyCoral API (Python)
• Libcoral API (C++)
• Libedgetpu API (C++)
• Edge TPU compiler
• vorkompilierte Modelle
• Alle Softwaredownloads

Zusatzinformationen

Google Teilenummern:

• G650-04474-01 (Coral System-on-Module mit 1GB RAM + 8GB eMMC)
• G650-05369-01 (Coral System-on-Module mit 2GB RAM + 8GB eMMC)
• G650-05370-01 (Coral System-on-Module mit 4GB RAM + 16GB eMMC)