Guida alle soluzioni di reti neurali
NOVITÀ! Kit di soluzioni Farnell per aiutarti a dare il via alla tua prossima innovazione.
Quasi tutti i dispositivi intelligenti che eseguono la visione computerizzata, il riconoscimento vocale e i compiti di elaborazione dei segnali ora utilizzano le reti neurali (Neural Networks, NN). Per tutte le applicazioni di cui sopra, l’efficienza e precisione delle reti neurali hanno fatto passi avanti a tal punto che i ricercatori le considerano più precise del classico approccio algoritmico. Tuttavia, ci sono solo pochi dispositivi hardware a disposizione che possono essere utilizzati per implementare e distribuire tali soluzioni di reti neurali nell’edge per un’analisi ad alta velocità e in tempo reale.
Questa guida alle soluzioni dei prodotti mostra l’uso della rete neurale binaria (Binary Neural Network, BNN) e della rete binaria quantizzata (Quantized Neural Network, QNN) sull’Ulta96-V2 di Avnet utilizzando l’overlay Xilinx PYNQ Gli utenti implementeranno applicazioni di riconoscimento delle immagini come il rilevamento della segnaletica stradale e l’identificazione degli animali ImageNet utilizzando le reti neurali. Questo progetto spiega come implementare un modello di accelerazione ad alte prestazioni basato su hardware in un’applicazione AIoT di elaborazione integrata piuttosto che un’implementazione software che ha le proprie limitazioni.
Cosa imparerai:
- Dispositivi completamente programmabili eterogenei per reti neurali
- Comprendere PYNQ e overlay PYNQ
- Esplorare le migliori strade per iniziare con PYNQ e Ultra96-V2
- Architettura e rete neurale
- Sfide nell’implementazione delle reti neurali
- Installazione dell’hardware Ultra96-V2 per avviare e utilizzare il framework PYNQ
- Python Jupyter Notebook con Ultra96 in esecuzione
- Esempio di progetto I - Rilevamento della segnaletica stradale
- Esempio di progetto II - Animale
Hardware necessario
Scarica la Guida alle soluzioni
*Obbligatorio