AI ที่ขอบ
รายการฮาร์ดแวร์ ซอฟต์แวร์ เฟรมเวิร์ก และทรัพยากรอื่นๆ ที่คัดสรรแล้วสำหรับปัญญาประดิษฐ์ที่ Edge แรงบันดาลใจจากสุดยอดดาต้าวิซ
สารบัญ
- ฮาร์ดแวร์
- ซอฟต์แวร์
- กรอบงาน
- มีส่วนร่วม
- ใบอนุญาต
ฮาร์ดแวร์
- OpenMV - กล้องที่ทำงานด้วย MicroPython บน ARM Cortex M6/M7 และรองรับอัลกอริธึมการมองเห็นของคอมพิวเตอร์ได้เป็นอย่างดี ขณะนี้มีการรองรับ Tensorflow Lite ด้วยเช่นกัน
- JeVois - โมดูลกล้องที่เปิดใช้งาน TensorFlow
- Edge TPU - ASIC ที่สร้างขึ้นโดยเฉพาะของ Google ออกแบบมาเพื่อเรียกใช้การอนุมานที่ Edge
- Movidius - SoC ตระกูล Intel ออกแบบมาโดยเฉพาะสำหรับคอมพิวเตอร์วิทัศน์บนอุปกรณ์ที่ใช้พลังงานต่ำและแอปพลิเคชันเครือข่ายประสาทเทียม
- UP AI Edge - กลุ่มผลิตภัณฑ์ที่ใช้ Intel Movidius VPU (รวมถึง Myriad 2 และ Myriad X) และ Intel Cyclone FPGA
- DepthAI - แพลตฟอร์มแบบฝังสำหรับการรวม Depth และ AI ที่สร้างขึ้นโดยใช้ Myriad X
- NVIDIA Jetson - ระบบบนโมดูลแบบฝังประสิทธิภาพสูงเพื่อปลดล็อกการเรียนรู้เชิงลึก คอมพิวเตอร์วิทัศน์ การประมวลผล GPU และกราฟิกในสภาพแวดล้อมที่จำกัดด้วยเครือข่าย
- เจ็ตสัน TX1
- เจ็ตสัน TX2
- เจ็ตสัน นาโน
- วิทยุปัญญาประดิษฐ์ - ตัวรับส่งสัญญาณ (AIR-T) - SDR ประสิทธิภาพสูงที่ผสานรวมเข้ากับฮาร์ดแวร์การเรียนรู้เชิงลึกที่ล้ำสมัยได้อย่างราบรื่น
- Kendryte K210 - ชิป RISC-V แบบดูอัลคอร์พร้อมการเร่งความเร็วโครงข่ายประสาทเทียมแบบหมุนโดยใช้ 64 KLU (หน่วยลอจิกเลขคณิตของ Kendryte)
- Sipeed M1 - อิงจาก Kendryte K210 โมดูลนี้เพิ่มการเชื่อมต่อ WiFi และหน่วยความจำแฟลชภายนอก
- M5StickV - กล้อง AIoT(AI+IoT) ขับเคลื่อนโดย Kendryte K210
- UNIT-V - กล้อง AI ขับเคลื่อนโดย Kendryte K210 (M5StickV ระดับล่าง)
- Kendryte K510 - โปรเซสเซอร์ RISC-V แบบ Tri-core ที่โอเวอร์คล็อกด้วยตัวเร่งความเร็ว AI
- GreenWaves GAP8 - ชิปที่ใช้ RISC-V พร้อมการเร่งด้วยฮาร์ดแวร์สำหรับการดำเนินการแบบ Convolutional
- GreenWaves GAP9 - ชิปที่ใช้ RISC-V มุ่งเน้นไปที่การประมวลผลเสียงที่เน้น AI เป็นหลัก
- Ultra96 - แพลตฟอร์มการพัฒนาแบบฝังที่มี Xilinx UltraScale+ MPSoC FPGA
- Apollo3 Blue - บอร์ดพัฒนา SparkFun Edge ขับเคลื่อนโดย Cortex M4 จาก Ambiq Micro
- Google Coral - แพลตฟอร์มของส่วนประกอบฮาร์ดแวร์และเครื่องมือซอฟต์แวร์สำหรับผลิตภัณฑ์ AI ในท้องถิ่นที่ใช้ตัวประมวลผลร่วม Google Edge TPU
- บอร์ดพัฒนา
- ตัวเร่งความเร็ว USB
- โมดูล PCIe / M.2
- Gyrfalcon Technology Lighspeeur - ตระกูลชิปที่ปรับให้เหมาะสมสำหรับการประมวลผลที่ขอบ
- ARM microNPU - โปรเซสเซอร์ที่ออกแบบมาเพื่อเร่งการอนุมาน ML (เป็นรุ่นแรกในรุ่น Ethos-U55)
- Espressif ESP32-S3 - SoC คล้ายกับ ESP32 ที่รู้จักกันดีพร้อมรองรับการเร่งความเร็ว AI (ท่ามกลางความแตกต่างที่น่าสนใจอื่น ๆ อีกมากมาย)
- Maxim MAX78000 - SoC ที่ใช้ Cortex-M4 ซึ่งมีตัวเร่งความเร็ว CNN
- Beagleboard BeagleV - บอร์ด Linux ที่ใช้ RISC-V แบบโอเพ่นซอร์สซึ่งมี Neural Network Engine
- Syntiant TinyML - ชุดการพัฒนาที่ใช้ตัวประมวลผลการตัดสินใจทางประสาทเทียม Syntiant NDP101 และ SAMD21 Cortex-M0+
- STM32N6 - Arm Cortex-M55 ทำงานที่ 800MHz ซึ่งฝังหน่วยประมวลผลประสาท (NPU)
ซอฟต์แวร์
- TensorFlow Lite - โซลูชันน้ำหนักเบาสำหรับอุปกรณ์เคลื่อนที่และอุปกรณ์แบบฝัง ซึ่งช่วยให้สามารถอนุมานแมชชีนเลิร์นนิงบนอุปกรณ์โดยมีความหน่วงต่ำและขนาดไบนารี่ที่เล็ก
- TensorFlow Lite สำหรับไมโครคอนโทรลเลอร์ - พอร์ตของ TF Lite สำหรับไมโครคอนโทรลเลอร์และอุปกรณ์อื่นๆ ที่มีหน่วยความจำเพียงกิโลไบต์ เกิดจากการรวมตัวกับ uTensor
- Embedded Learning Library (ELL) - ไลบรารีของ Microsoft เพื่อปรับใช้โมเดลการเรียนรู้ของเครื่องอัจฉริยะบนแพลตฟอร์มที่จำกัดทรัพยากรและคอมพิวเตอร์บอร์ดเดี่ยวขนาดเล็ก
- uTensor - ไลบรารีการอนุมาน AI ที่ใช้ mbed (RTOS สำหรับชิปเซ็ต ARM) และ TensorFlow
- CMSIS NN - ชุดของเคอร์เนลโครงข่ายประสาทเทียมที่มีประสิทธิภาพซึ่งพัฒนาขึ้นเพื่อเพิ่มประสิทธิภาพสูงสุด และลดขนาดหน่วยความจำของโครงข่ายประสาทเทียมบนแกนประมวลผล Cortex-M
- ARM Compute Library - ชุดฟังก์ชันที่ได้รับการปรับปรุงประสิทธิภาพสำหรับการประมวลผลภาพ คอมพิวเตอร์วิทัศน์ และการเรียนรู้ของเครื่อง
- Qualcomm Neural Processing SDK สำหรับ AI - ไลบรารีสำหรับนักพัฒนาใช้งานโมเดล NN บนแพลตฟอร์มมือถือ Snapdragon โดยใช้ประโยชน์จาก CPU, GPU และ/หรือ DSP
- ST X-CUBE-AI - ชุดเครื่องมือสำหรับสร้าง NN ที่ปรับให้เหมาะสมสำหรับ MCU STM32
- ST NanoEdgeAIStudio - เครื่องมือที่สร้างแบบจำลองเพื่อโหลดลงใน STM32 MCU
- เครือข่ายประสาทเทียมบนไมโครคอนโทรลเลอร์ (NNoM) - ไลบรารีโครงข่ายประสาทเทียมแบบเลเยอร์ระดับสูงกว่าสำหรับไมโครคอนโทรลเลอร์โดยเฉพาะ รองรับ CMSIS-NN
- nncase - เปิดสแต็กคอมไพเลอร์การเรียนรู้เชิงลึกสำหรับ Kendryte K210 AI accelerator
- deepC - คอมไพเลอร์การเรียนรู้เชิงลึกและเฟรมเวิร์กการอนุมานที่กำหนดเป้าหมายไปที่แพลตฟอร์มแบบฝัง
- uTVM - MicroTVM เป็นเครื่องมือโอเพ่นซอร์สเพื่อเพิ่มประสิทธิภาพโปรแกรมเทนเซอร์
- Edge Impulse - แพลตฟอร์มแบบโต้ตอบเพื่อสร้างโมเดลที่สามารถทำงานในไมโครคอนโทรลเลอร์ได้ พวกเขาค่อนข้างกระตือรือร้นบนโซเชียลเน็ตเวิร์กที่พูดคุยเกี่ยวกับข่าวล่าสุดเกี่ยวกับ EdgeAI/TinyML
- Qeexo AutoML - แพลตฟอร์มแบบโต้ตอบเพื่อสร้างโมเดล AI ที่กำหนดเป้าหมายไปที่ไมโครคอนโทรลเลอร์
- mlpack - ไลบรารีการเรียนรู้ของเครื่องที่รวดเร็วเฉพาะส่วนหัว C ++ ที่เน้นการใช้งานแบบมีน้ำหนักเบา มีอัลกอริธึมการเรียนรู้ของเครื่องที่หลากหลายพร้อมความเป็นไปได้ในการเรียนรู้บนอุปกรณ์บน MPU
- AIfES - เฟรมเวิร์กซอฟต์แวร์ AI ที่ไม่ขึ้นกับแพลตฟอร์มและสแตนด์อโลนที่ปรับให้เหมาะสมสำหรับระบบฝังตัว
- onnx2c - คอมไพเลอร์ ONNX ถึง C โดยกำหนดเป้าหมาย "Tiny ML"
แหล่งข้อมูลอื่นๆ ที่น่าสนใจ
- Benchmarking Edge Computing (พฤษภาคม 2019)
- เกณฑ์มาตรฐานฮาร์ดแวร์สำหรับ edge AI บน cubesats - Open Source Cubesat Workshop 2018
- ทำไมการเรียนรู้ของเครื่องบน Edge?
- บทช่วยสอน: การเรียนรู้เชิงลึกพลังงานต่ำบน OpenMV Cam
- TinyML: การเรียนรู้ของเครื่องด้วย TensorFlow บน Arduino และไมโครคอนโทรลเลอร์พลังงานต่ำพิเศษ - หนังสือ O'Reilly เขียนโดย Pete Warden, Daniel Situnayake
- TinyML Summit - การประชุมประจำปีและการพบปะประจำเดือนที่จัดขึ้นในแคลิฟอร์เนีย สหรัฐอเมริกา การพูดคุยและสไลด์มักจะหาได้จากเว็บไซต์
- เอกสารและโครงการ TinyML - การรวบรวมรายงานและโครงการล่าสุดในสาขา TinyML/EdgeAI
- MinUn - การอนุมาน ML ที่แม่นยำบนไมโครคอนโทรลเลอร์
มีส่วนร่วม
- โปรดตรวจสอบรายการที่ซ้ำกันก่อน
- ใช้คำอธิบายที่สั้น เรียบง่าย และไม่ลำเอียง
- โปรดให้คำมั่นสัญญาเป็นรายบุคคลสำหรับข้อเสนอแนะแต่ละข้อ
- เพิ่มหมวดหมู่ใหม่หากจำเป็น
ขอบคุณสำหรับข้อเสนอแนะของคุณ!
ใบอนุญาต
เท่าที่เป็นไปได้ภายใต้กฎหมาย Xabi Crespo ได้สละลิขสิทธิ์และสิทธิ์ที่เกี่ยวข้องหรือใกล้เคียงทั้งหมดในงานนี้
