Introducing Google Coral Building On Device AI Google I O'19(from Tensorflow)

[음악 재생] 빌 루앙 : 안녕하세요 Google 소개 I / O 세션에 오신 것을 환영합니다

산호 제 이름은 Bill Luan입니다 저는 Google Coral 팀의 프로그램 관리자입니다 모든 팀원을 대표하여, 너와 많은 사람들에게 따뜻한 환영 당신이 전세계 온라인으로보고 있습니다 우리와 함께 해줘서 고마워

산호 제품에 대해 이야기하기 전에, 업계를 간략하게 살펴 보겠습니다 트렌드, 왜 우리에게 보여 주는지 산호가 우리에게 중요 할 것입니다 스마트 장치 및 소위 말하는 IoT의 성장 – 사물의 인터넷 – 지난 수년 동안 엄청나게 성장했습니다 그리고 그것은 가장 큰 성장 기회 중 하나를 나타냅니다 앞으로 몇 년 안에 인터넷을 통한 많은 산업 동향 예측에 따르면, 당신이 볼 수있는 것과 인터넷에서 비슷한 것을 많이 볼 수 있습니다 PC, 노트북, PDA, 휴대 전화, 태블릿 등 5 ~ 6 개 년 약 110 억 설치 단위에서 성장할 것입니다 세계적으로 향후 5 년에서 6 년 사이에 약 120 억 이는 약 14 %의 성장률을 나타냅니다

그러나, IoT 스마트 장치, 성장 현재 설치 기반에서 약 80 억 단위의 비율 같은 기간에 전 세계적으로 210 억까지 성장할 것이며, 150 % 이상의 훨씬 더 큰 성장률을 나타냅니다 그래서 이것은 정말로 우리에게 성장 기회가 어디 있는지 말해줍니다 우리 모두를위한 혁신 기회, 세계 곳곳에있는 개발자를 위해 즉, 그들은 스마트 장치에 있습니다 따라서 스마트 장치 사용자는 계속 혁신의 관점에서 스마트 장치에 대한 관심을 키우고, 개발은 계속해서 성장할 것입니다 다음과 같은 몇 가지 핵심 요소가 있습니다

이러한 트렌드는 계속 앞으로 나아갈 것입니다 번호 하나 때문에, 증가 때문에 AI의 관점에서 전세계 관심사의 기계 학습, 발전 AI의 주요 연구 결과가 계속해서 커지고 있습니다 지난 몇 년 동안 사실, 연구 논문의 수 지난 몇 년 간 출판했다 기계 학습에서 그러한 논문의 총 수 이상이다 지난 10 년 동안 AI 기능이 더 많아 응용 프로그램을 만들 것입니다

보다 실용적인 장치에서 학습하는 인공 지능 기계의 기계 학습 모델이되기 때문에 가능하다 더 정확하고, 빠르며, 더 나은 성능, 산업은 계속해서 그들을 사용하는 데 관심을 가질 것입니다 에지에서 더 많은 장치가 기계 학습을 필요로하므로, 우리는 정말로 해결책이 있어야합니다 가장자리에있는 기기로 기기 학습을 가져옵니다 우리에게는 기술, 특히 하드웨어가 필요합니다

기계 학습 가속을 가져 오려면, 그 능력 장치에서 바로 요컨대, 스마트 장치의 성장 요구 장비 학습을 최첨단으로 가져옵니다 그리고 우리는 그것을위한 해결책이 필요합니다 그래서 Google이 당신을 위해 무엇을 만들 었는지 소개하겠습니다 전 세계 개발자들이 가능한 업계의 요구에 답할 수 있습니다

Google에서 산호를 소개합니다 새로운 흥미 진진한 기술 플랫폼입니다 전 세계의 개발자에게 기기 내 기계 학습 가속화 AI 구축 응용 프로그램을 쉽고 효율적으로 사용할 수 있습니다 그래서 이번 소개 세션에서 배울 점은 무엇입니까? 산호 제품 라인이 제공하는 것입니다 기계 학습 기능이란 무엇입니까? 산호 플랫폼과 기술로 구축 할 수 있습니다

세 번째로 용어의 유스 케이스는 무엇입니까? 응용 프로그램과 함께 기계 학습 배치 많은 산업 분야에서 그래서 저는 여기에서 제 지시를 가지고이 모든 것을 다룰 것입니다 산호초는 다음과 같이 설계되었습니다 장치에 기계 학습을 가져 오는 것, 응용 프로그램을보다 쉽게 ​​개발할 수 있습니다 프로토 타이핑 툴 생산을위한 플랫폼입니다 고속으로, 효율성으로

장치 기반 기계 학습을 개발하는 플랫폼입니다 하드웨어 구성 요소의 구성 요소 그룹을 제공합니다 고유 한 고성능 기계 학습 기능 제공 Edge 장치로 바로 연결하십시오 또한 완전한 소프트웨어 도구 세트를 제공합니다 애플리케이션을 개발할 수있게 해준다 인공 지능 기계에서 쉽게 학습 할 수 있습니다

그 외에도 Coral은 귀하가 사용할 수있는 중고 기계 학습 모델의 목록 장치에 신속하게 배포 할 수 있습니다 그래서 많은 사람들이 궁금해 할 것입니다 왜 그것을 산호라고 부릅니까? AI가 AI와 어떤 관련이 있습니까? 음, 자연 세계에서 산호의 본질을 보면, 산호는 실제로 활기차고, 포괄적 인 삶으로 가득한, 매우 열린 공동체 권리? 함께 살아있는 유기체, 그들은 공통의 이익에 기여하기 위해 함께 노력합니다 그리고 그것이 바로 우리가 고무시키는 것입니다

여러분 모두를 위해 업계를위한 플랫폼을 만들고 싶습니다 산호의 영감과 사명은 모든 사람들에게 활기찬 플랫폼을 제공합니다 가져올 애플리케이션 개발 및 공동 작업 AI 응용 프로그램을 장치에 연결합니다 우리는 어디에서나 개발자를 가능하게하고 싶습니다 AI 아이디어를 아이디어에서 비즈니스 솔루션으로 전환하는 방법 대규모 생산 배치 시제품 제작 쉽고 간단하게 그리고 마지막으로, 우리는 모두가 참여하도록 장려하고 싶습니다

기여하고 배우는 공동체 차원의 노력 기계 학습 모델을 함께 공유 할 수 있습니다 그래서 이것이 산호초의 이름입니다 그렇다면 왜 우리는 기계의 장점에 대해 이야기하고 싶습니까? 장치 학습? 그럼 무엇을 빨리 볼까요? 기계 학습의 요점 장치의 이점에 관해서 첫째로, 그것은 높은 성능 이점입니다 모든 것이 장치에서 계산되기 때문에 장치가 로컬에 있습니다

데이터를 다시 클라우드로 보낼 필요는 없습니다 권리? 높은 성능, 지역의 모든 것 훨씬 더 효율적으로 일을 할 수있게 해줍니다 또한 매우 중요합니다 바로 그 열쇠입니다 많은 응용 분야에서, 당신은 데이터가 장치에 남아 있기를 원합니다

특히 비즈니스 애플리케이션 시나리오에서 그렇습니다 일부 사용자 개인 정보 데이터는 서버로 전송 될 수 없으며, 클라우드로 보낼 수 없습니다 우리는 당신을 가능하게하는 기술이 필요합니다 고객이 해당 솔루션을 사용할 수 있도록합니다 또한 데이터가 로컬에 있기 때문에

장치의 오른쪽 센서에서 오는 모든 정보 접근 할 수 있고 계산에 사용할 수있다 귀하의 기계 학습 결과 바로 거기, 오히려 데이터를 클라우드, 서버로 보내야하는 것보다, 데이터를 계산하여 다시 보냅니다 권리? 그래서 이것은 이것을 보는 또 다른 방법입니다 훨씬 더 나은 성능입니다 모든 데이터를 로컬에서 감사 할 수 있기 때문입니다

다음은 오프라인 작품입니다 많은 시나리오가 있습니다 – 사물의 인터넷, 스마트 장치들 – 인터넷에 연결되어 있거나되지 않을 수 있습니다 실제로 대부분의 경우 클라우드 연결이 없습니다 그래서 당신은 여전히 ​​기계 학습을 원합니다 기능을 제공합니다

오프라인 장치 내 기계 학습 기능 그 일이 당신을 위해 일어날 것입니다 마지막으로 훨씬 더 효율적인 전력입니다 많은 가장자리 장치는 작습니다 그들은 큰 전원 공급 장치가 없습니다 또한 컴퓨팅 측면에서 높은 효율성이 요구됩니다

장치에 대한 계산 데이터를 다시 클라우드로 보낼 필요가 없기 때문에, 물론 대역폭을 절약 할 수 있습니다 네트워크에 Wi-Fi를 사용하도록 데이터를 전송하는 전원을 절약 할 수 있습니다 따라서 기계 학습의 이점 매우 강력한 기기 내 학습이 매우 강력합니다 이제 Coral 제품 라인을 간략하게 살펴 보겠습니다

우리는 업계에 무엇을 제공합니까? Coral 제품 라인은 두 가지 하드웨어 구성 요소를 모두 제공합니다 및 소프트웨어 구성 요소 하드웨어 측면에서 개발을 제공합니다 단일 국경 컴퓨터 인 보드에 개발자 응용 프로그램을 프로토 타입 화합니다 또한 Coral은 여러 센서를 제공합니다

를 사용하여 응용 프로그램을 빌드 할 수 있습니다 이미징 측면에서의 감각 데이터, 비디오, 환경 센서, 제작 데이터 입력의 일부로서 이용 가능한 것들 귀하의 응용 프로그램에 또한 소프트웨어 측면에서 우리는 소프트웨어 도구 변경의 완벽한 세트를 제공한다 운영 체제에서 SDK, 컴퓨터로 학습 모듈을 사용하면 쉽게 사용하고 신속하게 학습 할 수 있습니다 응용 프로그램을 빌드하십시오

그 외에도 우리는 상세한 종합 세트를 제공합니다 문서, 예제, 온라인 가이드, 데이터 시트 등 이들 모두는 Coral 웹 사이트에서 온라인으로 제공되었습니다 너희 모두에게 이제 우리는 산호 제품군에 무엇이 포함되어 있는지 알고 있습니다

조금 더 자세하게 살펴 보겠습니다 하드웨어 구성 요소의 측면에서 그래서 산호의 하드웨어 제품 우리는 당신에게 하드웨어 세트를 제공합니다 프로토 타이핑 및 응용 프로그램 개발과 관련하여 첫 번째는 Coral Dev Board입니다

당신이 그림의 여기에서 알 수있는 것에 따라, 약 150 달러에 소매됩니다 운영 체제가있는 단일 보드 컴퓨터입니다 온보드 및 기계 학습 기능을 제공합니다 두 번째는 USB 키이며 우리가 USB 가속기라고 부르는 것입니다 그것은 가장자리 칩 TPO 기계 가속 칩을 가지고 있습니다

장치에서 바로 이 USB를 모든 리눅스 머신에 넣을 수 있습니다 기계 학습 기능을 올바르게 구현할 수 있습니다 그 장치에 그리고 나는 나와 함께있는 사람들이있다

그리고 상대적인 크기를 보여주고 싶습니다 그것의 차원 이것이 코럴 데 보드입니다 보시다시피, 매우 작습니다 그것은 모든 단일 보드 컴퓨터입니다 커넥터에 필요한 입출력

이것은 USB 키입니다, 더 작습니다 그것은 당신이 사용하는 모든 USB 키에 전형적인 것입니다 그래서 이들은 현재의 두 컴퓨터 플랫폼입니다 당신은 응용 프로그램을 개발하는 데 사용합니다 그 외에도 우리는 두 개의 센서를 제공하며, 내가 말했듯이, 기계의 현장에서 감지 데이터를 가져 오는 것입니다

학습 응용 프로그램을 사용합니다 1 위는 5 메가 픽셀 자동 초점 카메라이며, 우리가 산호 카메라라고 부르는 것 둘째, 방금 며칠 전에 발표했습니다 여기에 새로운 환경 센서가 있습니다 보시다시피, 매우 작습니다

그리고 그것에는 디지털 디스플레이가 있습니다 그것은 당신이 온도, 습도, 빛 등등 이 입력 센서는이를 사용하고 빌드 할 수 있습니다 귀하의 응용 프로그램에 적합합니다 이제 이것들을 사용하여 프로토 타입을 작성하십시오

그러나 이러한 장치를 배포 할 때 최대 규모의 생산 환경으로, 우리는 당신이 태양을 가져갈 수 있도록 허용합니다 모듈을 개발 보드에서 가져온다 즉, 회로 기판의이 부분은 스냅 할 수 있습니다 제품에 포함시킬 수 있습니다 그리고 이것은 대용량 배포를위한 것입니다

그리고 볼 수 있듯이 개별 단위 가격은 약 115 달러입니다 또한 볼륨 배포에 대한 할인을 제공합니다 곧 다음 분기에 PCI-E 커넥터를 제공 할 예정입니다 PC 또는 산업용으로 연결할 수있는 기본 커넥터 PCI-E를 허용하는 PC 및 산업 장치 기계 학습 기능을 가져올 수있는 커넥터 그 장치에 왼쪽에있는 사람들은 당신이 귀하의 기계 학습 응용 프로그램을위한 프로토 타이핑을해야합니다

오른쪽에있는 건 – 오른쪽에있는 것은 대규모 배치를위한 것입니다 물론 센서와 카메라의 환경, 당신은 프로토 타이핑과 더 큰 대규모 배포로 중간에 위치합니다 좋아, Google Edge TPU에 대해 이야기 해 보겠습니다 이것이이 플랫폼의 핵심 인 센터입니다 기계 학습 기능을 장치에 가져옵니다

따라서 Edge TPU는 작은 응용 프로그램 별 원형입니다 Google이 특별히 설계 한 칩 장치에서 기계 학습을 최적화합니다 TensorFlow Lite를 사용하도록 설계되었습니다 기계 학습 모듈 또한 8 비트 quantile TensorFlow 모델 및 실행을 지원합니다

고효율의 온 – 디바이스 그것은 단지 2 와트 전력을 소모합니다 그리고 그것은 매우 빨리 달립니다 중간에 보이는 그림 페니에 대한 상대 크기를 나타냅니다 그래서 그것은 아주 작은 칩입니다

그리고이 크기의 동일한 모듈로, 많은 장치에 쉽게 내장 할 수 있습니다 그러면이 가장자리 TPU는 얼마나 빨라 집니까? 글쎄, 일반적인 시간에, 우리가 온라인으로 출판하는 것, Edge TPU의 성능 속도 초 당 약 4 조 연산으로 계산을 실행합니다 따라서 일반적으로 4 가지 TOPS입니다 당신은 물어볼 수 있습니다, 글쎄, 얼마나 빨리 실제로 기계 학습 모델을 실행합니까? 이 비교표를보십시오 우리는 매우 일반적으로 사용되는 벤치마킹 몇 가지를 주로 사용했습니다

비전 머신 학습 모델, MobileNet, Inception 우리는 dev 보드 또는 Edge TPU USB를 실행 중입니다 강력한 CPU 또는 임베디드 CPU에 대해 실행되는이 두 가지 모두에서, Xenon 64 비트 CPU와 같은 강력한 데스크탑 CPU 또는 임베디드 세계의 ARM CPU 비교해 보면이 표에서 알 수 있듯이, 가장자리 TPU의 기계 학습 능력 속도 필요한 시간의 일부만 실행합니다 데스크톱 CPU와 임베디드 CPU에 비해 그래서 훨씬 더 빠릅니다 이제 여러분 중 일부는 말합니다

이들은 단지 벤치 마크 번호입니다 예를 들어 있습니까? 현실 세계의 예를 보여 주실 수 있습니까? 그리고 나는 그렇다고 말합니다 베타 사용자 중 한 명에게서 예제를 빌려 드리겠습니다 Coral 베타 온라인 포럼에 게시했습니다 그는 말하기를, 나는 온라인 트래픽을 모니터링하는 앱을 만들고있다

실시간 10, 20 대의 자동차를 실시간으로보고 있습니다 나는 모바일 넷을 상자에서 꺼내기 만하면된다 별로 조정하지 않고 그리고 저는 산호 제품을 사용했습니다

초당 약 48 프레임의 성능을 달성 할 수 있습니다 이는 초당 30 프레임과 매우 유사합니다 GTX 980 GPU와 비슷한 장비의 CPU를 사용합니다 이제 게임 기계를 만드는 당신의 경우, 당신은 HTX 980 GPU와 CPU, 무슨 소리 야? $ 500에서 $ 1,000의 장비 비용 그러나 Coral Dev Board에서는 150 개에 불과합니다

동일한 결과를 얻을 수 있습니다 그래서 이것은 비용과 성능을 말해줍니다 산호 제품의 장점 이제 Dev Board에 대해 조금 더 이야기 해 보겠습니다 대부분의 엔지니어가 엔지니어이기 때문에 그것의 기술적 인 스펙을보고 싶다

내가 조금 지나갈 게 먼저, Dev Board에서 볼 수 있듯이 또는 내 손에, 그것은 프로토 타입 개발 보드입니다 온보드 기기를 직접 개발할 수 있습니다 응용 프로그램에서 학습 기능 그것은 완전한 컴퓨터입니다 그것은 CPU를 가지고 있습니다

그것은 GPU를 가지고 있습니다 온라인 메모리가 있으며 Linux 운영 체제도 실행합니다 시스템에 연결하십시오 그것은 모듈 형 디자인을 사용합니다 – 우리가 SOM이라고 부르는 것은 무엇입니까? SOM– 시스템 모듈 설계, 다시 말하면, 이 SOM 회로 기판을 스냅 할 수 있습니다 귀하의 제품에 배치하십시오

모듈 디자인을 통해 프로토 타입에서 배포까지 더 쉽게 수행 할 수 있습니다 그것은 당신에게 많은 I / O 커넥터를 허용합니다 개발 도중 많은 액세서리에 연결하려면, 모든 것을 정말 쉽습니다 Dev Board의 사진이 있습니다 보시다시피, 필요한 모든 I / O 포트가 포함되어 있습니다

HDMI와 같은 두 장치를 연결하려면 디스플레이에 연결; 연결할 USB 커넥터 카메라, 키보드, 모니터 등 이더넷 커넥터는 물론 또한 물론 Wi-Fi와 블루투스가 연결되어 있습니다 Wi-Fi를 통해 인터넷에 연결됩니다 승인

약간의 기술 사양에 대해 자세히 이야기합시다 CPU는 CPU 칩에 NXP 쿼드 코어를 사용합니다 보시다시피 제품은 매우 빠릅니다 853은 초고속 CPU 칩입니다 또한 GPU도 지원했습니다

그리고 온보드 암호화 칩을 가지고 있으며, Google 클라우드에 안전하게 연결할 수 있습니다 그것은 1 기가의 온보드 RAM과 8 기가 플래시 메모리를 가지고 있습니다 응용 프로그램을 배포 할 수있는 충분한 공간 그것은 Wi-Fi, 블루투스를 지원하며, 5 볼트 표준 전원 공급 장치 커넥터 측면에서 보면 USB 2

0 및 USB 30 속도 연결을 지원하며 USB Type C 및 유형 A 커넥터 오디오 및 비디오 카테고리에서 볼 수 있듯이, 그것은 모든 AV 연결을 지원합니다 특히 풀 1080p 비디오 디스플레이 용 풀 사이즈 HDMI 20 커넥터

그것은 마이크로 SD 카드를 가지고있어 더 많은 소프트웨어를 내장 할 수 있습니다 기가비트 네트워크를 지원합니다 또한 I / O 연결을위한 GPIO 40 핀이 있습니다 데비안 리눅스의 특별한 버전을 지원합니다 우리는 Mendel을 Edge TPU를 지원하기 위해 전문화했기 때문에 호출해야합니까? 기능

그리고 기계 학습 모델은 대부분의 일반적인 비전 머신 학습 모델 지원 MobileNet, Inception과 같은 소형 장치, 모바일 장치에서 효과적입니다 특히이 GPIO 연결에 대해 이야기하고 싶습니다 제작자 인 여러분 중 상당수는 Raspberry Pi를 사용하여 프로젝트를 만드는 데 익숙합니다 Raspberry Pi에는이 40-ping GPIO 커넥터가 있습니다 개발자위원회 – 데브 보드 – 당신은 똑같은 일을 할 수 있습니다

Raspberry Pi 40-ping GPIO와 호환됩니다 그래서 과거에 해왔 던 모든 일을 위해 외부 조명, 스위치에 연결, GPIO 포트 사용, 포스트 폭 변조를 사용하여 제어 단계 모터, 과거에 라스베리 파이로 한 모든 일, 당신은 아주 쉽게 Dev Board와 함께 할 수 있습니다 그렇다면 Dev Board를 어떻게 사용합니까? 개발 및 배포 내가 설명했듯이 개념적으로는 매우 쉽습니다 이미 이걸 보셨 겠지 프로토 타입을 작성하면 개발 보드를 사용합니다

이 모든 커넥터를 활성화하십시오 스위치, 센서, 온도 게이지, 네가 원한다면 모니터에 연결할 수 있습니다 키보드에 연결할 수 있습니다 당신은 바로 거기에서 개발을합니다

왜냐하면 그 운영체제 장치에서 울립니다 끝나면 SOM 모듈을 벗겨냅니다 Dev Board에서 플러그를 뽑습니다 그리고 내가 말했듯이 많은 SOM 모듈을 구입할 수 있습니다 권리? SOM 모듈을 어떤 제품에도 배치 할 수 있습니다

당신은 말하자면 똑똑한 냉장고, 똑똑한 세탁기 개발하는 응용 프로그램에 따라 다릅니다 그래서 이것은 정말로 쉽습니다 제품 패키지의 프로토 타이핑 및 배포에 사용됩니다 승인? 괜찮아

우리는 개발위원회에 대해 이야기했습니다 두 번째 제품에 대해서도 간단히 설명하겠습니다 이것은 Coral USB Accelerator입니다 이 작은 일이 여기에 있습니다 다시 말하지만, 작은 USB 키가 있습니다

모든 Linux 컴퓨터의 USB 슬롯에 연결하십시오 그것은 온보드 Edge TPU를 가지고 있으며, 기계 학습 기능을 가지고 있습니다 플러그를 꽂은 모든 기기에서 바로 사용할 수 있습니다 또한 데비안 리눅스뿐만 아니라 리눅스도 지원합니다 비슷한 라스베리 리눅스 또는 라즈베리 파이 (Raspberry Pi)에 사용 된 방식과 동일합니다

그래서 이것을 연결하고이 키를 사용할 수 있습니다 그리고 Raspberry Pi와 함께 작업하십시오 그래서 더 많은 기회를 열어줍니다 당신이 개발을하기 위해 따라서 Coral Accelerator의 이점, 1 위, 당신이 상상할 수있는 것처럼, 기계 학습 더 많은 기계로 원하는 경우 랩톱에 연결할 수 있습니다

랩탑이 특별판의 리눅스를 실행한다면 그리고 라스베리 파이 (Raspberry Pi)에 연결할 수 있습니다 많은 하드웨어와 호환됩니다 과거에 라스베리 파이가 지원 한 것 그래서 PC뿐만 아니라 랩톱, Raspberry Pi, 산업 시스템

[INAUDIBLE] 상자는 USB 플러그를 지원합니다 이 키만 꽂으면됩니다 귀하의 기계 학습 응용 프로그램을 배포 할 수 있어야합니다 따라서 Coral USB Accelerator는 저렴한 비용으로 편리한 방법입니다 AR에 프로토 타입을 제작하는 실험

승인 그래서 우리는 하드웨어에 대해 이야기했습니다 소프트웨어 측면에 대해서도 이야기하겠습니다 Coral의 툴체인 전체 제품군 당신이 기계 학습을 할 수있게 해줍니다 응용 프로그램

따라서 소프트웨어 구성 요소를 살펴 보겠습니다 구성 요소 수준에서 산호 소프트웨어 조각 하드웨어가 함께 작동합니다 그래서 Coral Dev Board에서는 리눅스뿐만 아니라 기계, 원한다면, 그리고 맨 아래 층 당신은 하드웨어를 가지고 있습니다 그리고 멘델 리눅스는 그 위에 움직이고 있습니다 그들은 운영 체제와 대화하고 하드웨어와 대화합니다

그리고 Coral, 우리는 C / C ++ 라이브러리 API 직접 액세스를 개발했습니다 운영 체제 및 하드웨어 이렇게하면 직접 액세스 할 수 있습니다 운영 체제가되는 모든 것 당신을 통제 할 수 있습니다 기계 학습 모델이 있다고 가정 해 봅시다 TensorFlow 모델입니다

TensorFlow Lite 모델 우리는 Edge TPU 컴파일러를 제공하여 컴파일, 컴파일 된 TensorFlow Lite 모델 가져 오기 Edge TPU와 호환되는 이진 형식으로 변환합니다 따라서 애플리케이션이있는 경우 C / C + API에 액세스 할 수 있습니다 장치에서 기계 학습 모델을 바로 실행 하드웨어 레이어에 액세스 할 수 있습니다 그러나 우리는 많은 기계 학습 프로그래머는 당신처럼 파이썬을 사용하고 있습니다

따라서 Coral 소프트웨어는 Python 라이브러리 또는 Python SDK도 제공합니다 그것은 당신을 허용 높은 수준의 래퍼입니다 Python 프로그래밍 언어를 사용하여 쉽게 액세스 내가 방금 이야기 한 모든 기능, 기계 학습 모델에 액세스 할 수 있어야합니다 하드웨어에 액세스 할 수 있어야합니다 그리고 파이썬 코드를 I / O 컨트롤 등에 작성할 수 있습니다 그래서 이것은 완전한 환경입니다

함께 작동하는 여러 구성 요소로 우리가 당신을 위해 제품에 넣은 AI 개발을 가능하게합니다 그래서 파이썬 API는 매우 간단합니다 파이썬으로 프로그래밍 한 많은 사람들에게, 우리는 Coral 웹 사이트에서이를 게시합니다 모든 Python API의 기본 클래스 기계 학습을 개발하는 데 사용할 수있는 응용 프로그램 나는 중간 2에주의를 기울일 것이라고 말할 것이다

그것들은 아마도 당신이 가장 많이 사용할 것입니다 하나는 객체 감지입니다 하나는 객체 분류입니다 그리고 그들을위한 기본 엔진 기본 클래스 분류 엔진 (classification engine)이라고 불리는 것이고, 하나는 탐지 엔진이라고합니다 그래서 매우 간단합니다

여기서 마지막으로 본 것은, 우리가 각인이라고 부르는 것입니다 엔진, 그것은 이동 학습을위한 무언가이다, 나는 몇 분 안에 이야기 할거야 이것은 당신이 효율적으로 개발할 수있는 것입니다 파이썬 API 라이브러리의 맞춤형 기계 학습 모델 우리가 제공했습니다 그것도 지원합니다

이제 예제를 간략하게 살펴 보겠습니다 실제로 어떻게 파이썬 코드를 사용하겠습니까? 기계 학습 모듈과 상호 작용하는 모델 우리가 공급하는거야? 그래서 내가 객체를 사용하여 프로그램을 개발하고 싶다면 탐지 모델, 파이썬 코드에서 단순히 엔진을 초기화 할 것입니다 그 기본 클래스 인 DetectionEngine을 사용합니다 그룹 구성원의 기본 클래스, 구성원 함수, 당신은 데이터를 사용하고 시작하고 이야기하기 시작합니다 기계 학습 모듈로 그래서 여기서 엔진을 시작하십시오

또한 소위 레이블 파일을로드해야합니다 왜냐하면 당신이 많은 수의 물체들을 탐지하기를 원한다면, 당신은 라벨로 그것들을 식별하고 싶습니다 레이블 파일을로드합니다 그리고 당신이 기계 학습을 먹이기를 원한다고 가정 해 봅시다 모델 – 개체 감지 모델 – Image를 사용하여 이미지로드 파일

그리고 물론, 대부분의 사람들은 Vision에서 기계 학습 모델을 사용 해왔다 당신은 사진 속의 물건을 식별 할 수 있다는 것을 알고 있습니다 또는 비디오 화면에서 객체를 식별 할 수 있습니다 이 경우, 그것은 텐서의 벡터가됩니다 하지만 여기서 저는 이미지를 사용하는 간단한 예제를 사용하고 있습니다

그리고 기계 학습 모델과 상호 작용하는 코드 매우 간단합니다 간단한 선 엔진에서, 회원 클래스, 당신은 단지 이미지와 함께 감지 말한다 그리고이 이미지에 매개 변수를 전달합니다 반환 된 결과는 대답이 돌아 왔습니다

이 호출에서 테두리 상자를 그리는 것과 같이 사용할 수 있습니다 색상을 지정하고, 바인딩 상자를 그립니다 당신이 탐지하고 있습니다 그래서 매우 간단합니다 우리는 사용할 수있는 기계 학습 모델 그룹을 제공합니다

산호초는 제품에 포함됩니다 우리는 그들을 웹 사이트에 올려 놓습니다 무료로 다운로드 할 수 있습니다 미리 컴파일 된 TensorFlow Lite 모델이 있습니다 당신이 사용할 수 있습니다

더 이상 컴파일하지 않고도 쉽게 실행할 수 있습니다 그리고 하드웨어에 다운로드하기 만하면됩니다 Edge TPU 모듈 – 파이썬 모듈 – 이미 있습니다 Deb Board에 설치되었습니다 따라서 아무 것도 할 필요가 없습니다

이제 Python 프로그래밍 코드를 사용할 준비가되었습니다 방금 전 보여준 예가 그 것입니다 그러나 USB를 사용하는 경우 리눅스 머신을 사용하고 싶습니다 이 Python 모듈을 수동으로 설치해야합니다 앞서 언급 한 것처럼 Python API가 사전 설치되어 있습니다

권리 그래서 그것이 당신이해야 할 일입니다 나는 그런 많은 모델들에 대해서 언급하고 싶다 우리는 당신이 사용할 수 있도록 무료로 온라인으로 공급합니다 – 이들은 비상업적 용도로만 사용됩니다 즉, 모델을 만들고 싶다면, 돈을 위해 팔고 싶다고 가정 해 봅시다

그러면 자신 만의 모델을 만들어야합니다 오픈 소스 무료 모델을 사용하는 대신 비상업적 용도입니다 승인? 제공된 모델에는 앞서 언급 한 범주가 포함되어 있습니다 이미지 분류, 물체 감지, 체중 감기라고하는 것뿐만 아니라 그것은 다시, 양도 학습을위한 것입니다 그리고 저는 그것에 대해 잠시 후에 이야기 할 것입니다

그래서 여기에 모델의 몇 가지 예가 있습니다 온라인으로 사용할 수있게하십시오 그리고 여기에 이미지 분류 모델이 있습니다 보시다시피 우리는 거의 모든 인기있는 이미지 분류를 지원합니다

MobileNet에서 시작까지의 모델 그리고 다른 버전의 MobileNet, 다양한 버전의 Inception 그들 사이의 차이점은 유형 그들이 식별 할 수있는 객체의 예를 들어, 응용 프로그램을 개발하려는 경우 다른 새들의 차이점을 말하기 또는 다른 식물을 선택하면 해당 모델을 선택하게됩니다 쓰다 승인 그걸로 두 가지 데모를 드리겠습니다

첫 번째 데모 개체 감지 모델을 보여 드리겠습니다 그리고 두 번째 데모는 내가 너에게 보여줄거야 객체 분류 모델입니다 그래서 비디오 제작자는 디스플레이를 전환하십시오 여기 카메라에

그래서 여기 테이블에, 당신이 볼 수 있듯이, 이 컨베이어 벨트로이 데모를 만들었습니다 나는 실시간 교통을 시뮬레이션하고있다 여기 카메라가 그것을 가리키고 있습니다 화면에서 볼 수 있듯이 카메라 이 산호초 개발위원회에 들어갑니다 실시간으로 그것은 객체의 수를 식별합니다

그것은 차임을 보여줍니다 그것은 또한 소위 신뢰 점수를 보여줍니다 – 모델이 자동차라고 얼마나 자신 있다고 생각합니다 그러나 컨베이어 벨트 위에서 볼 수 있듯이, 나는 또한 사람이나 보행자가 있습니다 하지만 지금 내가 할 일은 내가 "윙크" 이 영화를 만들어라 승인

그래서 나는 권력을 켤 것입니다 그리고 나는 그것을 달릴 수있는 속도를 올릴 것입니다 이제 실시간 세계에서,이 움직이는 것처럼, 너는 화면을 보았다 기계 학습 객체 탐지 끊임없이 일어나고 있습니다 그것은 계속해서 올바른 자동차 또는 보행자를 식별하며, 또는 교통 신호등도 있습니다

권리? 산호의 성능을 볼 수 있습니다 장면이 진행됨에 따라 매우 높을 수 있습니다 이제 왼쪽 하단에주의를 기울여주세요 화면 또는 화면의 왼쪽 상단 모서리에있는 초당 프레임 속도를 보여줍니다 지난 번에 50을 보았다

초당 70 프레임 매우 빠른 성능입니다 자, 제가 속도를 조금 더 빨리 가도록 크랭크 업 시키면, 당신은 용어로 기계 학습을 볼 수 있습니다 객체 식별 캡처의 작업이 아직 진행 중입니다 권리? 자동차를 계속 식별 할 수 있습니다

이 빠르게 움직이는 환경에서 그래서 이것은 실제로 힘을 보여주는 것입니다 이 산호 장치에서 바로 실행중인 개체 탐지 승인? 이것이 첫 번째 데모입니다 [박수 갈채] 고맙습니다 예, 박수 갈 수 있습니다 너희들이 훨씬 더 재미있게 지낼 수 있기를 바란다

응용 프로그램을 산호초의 힘을 당신의 상상력으로 가져 오십시오 당신의 혁신에 괜찮아 다음은 객체 분류를 보여줍니다

그래서 여기에 다른 데브 보드가 있습니다 그리고 그 결과 – 디스플레이에서이 카메라의 출력으로 전환하십시오 그래서 내가 할 일은 몇 가지 음식 품목이 있습니다 책상 위에 이 카메라가 다른 유형을 식별하게 할 것입니다

개체의 여기에 햄버거를 넣으라고합시다 그리고 왼쪽 상단 구석에서 볼 수 있듯이, 그것은 어떤 신뢰 점수로 물체를 식별하려고합니다 조명 조건에 따라 다르지만, 잘하면 햄버거를 볼 수 있습니다 네 당신은 빛과 함께 올바른 각도로 조준해야합니다

이 도넛을 시험해 봅시다 도넛 말인가요? 그것은 도넛으로 나타 났습니까? 승인 우리는 샌드위치를 ​​시험해 볼 수도 있습니다 승인? 마지막으로, 나는 이국적인 것을 시도 할 것이다 초밥을 가정 해 봅시다

승인 그래서 이것은 당신이 객체 분류 작업을 할 수있는 방법입니다 단순히 객체 분류 모델 중 하나를 실행함으로써 오른쪽 장치에 다시 말하지만, 이들 중 어느 것도 인터넷에 연결되어 있지 않습니다 어떤 데이터도 클라우드 나 서버로 전송되지 않습니다

모든 장치에서 경쟁이 일어나고 있습니다 승인? 큰 고맙습니다 [박수 갈채] 괜찮아 슬라이드로 다시 전환하십시오

이제 우리는 어떻게 사용하는지에 대해 이야기합니다 Coral은이를 구현하기 위해 미리 컴파일 된 모델을 제공했습니다 그러나 당신 스스로 뭔가를 만들고 싶다면 어떻게해야할까요? 모델을 사용자 정의하고자합니다 글쎄, 여기가 전송 학습이 들어오는 곳입니다 전송 학습, 시간 절약에 도움이됩니다

자신의 모델을 구축하는 측면에서 그리고 기본적으로 사전 훈련 된 모델을 필요로합니다 Edge TPU와 호환됩니다 그리고 당신은 당신의 관련 업무에 대해서만 그것을 취합니다 사용자 지정 데이터를 사용하여 개념에서, 신경 네트워크는 뉴런의 깊은 층

승인? 이 전체 모델을 훈련시키고 싶다면 – 사실, 나는 내 동료 중 한 명에게서 그것을 들었다 지상에서 위로 모델을 개발 한 사람 비전 모델을 교육하기 위해 4,000 개 이상의 GPU가 필요합니다 그리고 며칠이 걸립니다 그러나, 모든 것을 훈련하는 대신에, 상단 레이어 만 수정하면됩니다 이것이 이전 학습 개념입니다

하위 레이어 때문에, 그 뉴런 말하자면, 서로 다른 색깔을 감지하려하고 있습니다 다른 모양, 다른 조명 조건 사물을 식별하는 데 도움이 될 수 있습니다 네가 신경 쓰는거야 모델 식별 정보를 작성한다고 가정 해 보겠습니다

다른 사과 전체 모델을 교육 할 필요는 없습니다 당신은 분류 모델을 취하고, 상위 계층 만 수정합니다 사용자 정의 된 데이터로 교육 많은 다른 사과와 그래서 이것은 전학 학습이하는 것입니다

그래서 코드를 전송 학습도 할 Coral의 Python 환경에서 매우 간단합니다 기본적으로, 당신은 이전 학습을 준비하고, Docker 컨테이너를 설정합니다 사용할 모델을 지정하십시오 이 경우 예를 보여 드리겠습니다 나는 MobileNet 버전 1을 사용하고있다

그리고 몇 가지 최상위 레이어를 훈련시키려는 경우, 당신이 사용하기를 원하는 단일 명령 – 훈련을 시작하십시오 그리고 다시, 당신은 매개 변수를 제공합니다 모델명으로 그러나 전체 모델을 교육하려는 경우, 너는 그것도 할 수있다 하나 더 추가 하는가? 추가 플래그, 교육, 전체 모델, 플래그 참된

따라서 일단 시스템의 콘솔에서이 코드를 실행하면, 기본적으로, 콘솔은 당신에게 보여줄 것입니다 취할 단계별 교육 진행 얼마나 많은 시간이 걸리는지의 관점에서 말입니다 그래서 당신이하는 것은 매우 간단합니다 그것은 환경에서 – 리눅스 환경에서 그래서 그걸로 당신을 위해 또 다른 데모를 해봅시다

이것을 가르 칠 수있는 기계라고합니다 우리는 이것을 오픈 소스로 게시 할 것입니다 가까운 장래에 같은 일을 할 수 있습니다 근데 기본적으로 네가 여기 보이는 것을 너에게 보여줄거야 나는 그것을 기억하는 기계를 만드는 법을 가르 칠 것입니다

그래서 비디오 카메라, 비디오 그래퍼, 우리 이 이미지가 있어야합니다 그래서 여기 책상에서 당신이 보는 것, 실제로 그것은 기반으로 만들어졌습니다 이 USB에 Raspberry Pi가 있습니다 그래서 Dev Board보다 더 많이, Raspberry Pi를 사용할 수 있습니다 응용 프로그램을 빌드합니다

여기에 데모가 조금 있습니다 카메라가 있습니다 포인트 그리고 나는 다른 대상을 가지고 있습니다 그래서 내가 버튼을 눌러서 가져 가면 – 내가 버튼을 칠 때마다, 그것은 찍고 이미지를 찍는다

이 햄버거 중 몇 가지 이미지를 기억합니다 이 햄버거의 이제 내가 다른 물건을 가져 가면 제 2 물체의 다른 그룹의 사진, 그것은 이미지를 기억합니다 녹색 버튼으로 아이스크림을 먹을거야 그리고 마지막으로, 빨간색 버튼으로이 도넛을 먹을 것입니다

여기서 백그라운드에서 어떤 일이 일어나는지, 이 프로그램은 전송 학습을 수행하며, 기존의 객체 분류 모델, 마지막 레이어를 방금 찍은 이미지로 바꿉니다 이제 이것을 보아라 이 햄버거를 다시 넣으면 황색 불이 들어옵니다 그것은 기억한다 아이스크림을 넣으면 녹색 표시등이 켜집니다

나는 당신이 비디오에서 볼 수 있기를 바랍니다 예 이 도넛을 가져 가면 푸른 빛이 켜집니다 이제 그 이상 잠시 전에, 나는이 녹색 아이스크림으로 훈련을했다

권리? 녹색 불빛 노란색 아이스크림을 넣으면 기억합니다 그것은 단순히 색상 이상으로 모델을 학습하는 기계이기 때문에, 또한 모양을 식별합니다 이 모양과 모양이 다르기 때문에, 모델은 더 빠르고, 똑똑하다 개체 사이의 차이를 알 수 있습니다

다시 한번 이것은 하나의 예제입니다 당신은 능력으로 물건을 만드는 데 사용할 수 있습니다 인터넷없이 장치에 분류 권리의, 그런 작은 USB 키로도 제작할 수 있습니다 권리? 아주 강력한 것들 [박수 갈채] 고맙습니다

승인 슬라이드로 다시 전환하십시오 그래서 이것의 결과는 엄청납니다 권리? 산업 환경에서 상상해보십시오 당신은 사물을 식별하고 싶습니다

좋은 위젯을 조립할 때 나쁜 위젯으로부터 알리고 싶다 예를 들어, 라인 조립 라인을 훈련 할 시간이 없습니다 자동 분류 기계 전송 학습을 사용하고 다른 객체를 배울 수 있습니다

즉석에서 그래서 매우 강력합니다 애플리케이션을 끝없이 구축하는 데 사용할 수 있습니다 그러한 능력을 사용한다 괜찮아

그래서 우리는 이전 학습에 대해서 이야기합니다 사용자 정의 된 모델을 작성하는 방법에 대해 설명합니다 방법에 대해 좀 더 자세히 설명해 드리겠습니다 산호 모델을 사용하십니까? 승인 그래서 우리는 미리 컴파일 된 모델 세트를 제공했다

너를 위해서 이것은 실제로 사건 번호 1입니다 사용자 케이스 번호 1 매우 간단합니다 우리가 제공하는 산호 모델을 다운로드하면됩니다

다시 컴파일 할 필요가 없습니다 장치를 다운로드하여 설치하면됩니다 승인 두 번째 시나리오는 기존의 모델, 미리 훈련 된 그러나 사용자 정의 전송 학습을 사용합니다

자신의 데이터로 그러나 작업을 완료 한 후에는 아직 호환되지 않습니다 산호 널과 당신은 컴파일해야합니다 산호가 제공하는 산호 컴파일러를 사용합니다 그리고 그것을 컴파일합니다

TensorFlow Lite 파일의 최종 결과입니다 Edge TPU Coral 하드웨어에 다운로드합니다 그리고 거기에서 도망 갈 수 있습니다 이제 저는 지금 당장 코랄 컴파일러에 대해 말하고 싶습니다 Google Cloud Platform에서만 실행됩니다

그러나 곧 우리는이 컴파일러를 만들 것입니다 독립 실행 형 실행 파일, 다운로드 가능 인터넷에 당신을 위해 사용할 수 있습니다 따라서 사용자 사례를 구축하고 싶습니다 너 자신에 의해 전체 모듈 이것은 사용자 정의가 실제로 필요한 것입니다

기존 모델이 당신을 만족시키지 못한다 당신도 그렇게 할 수 있습니다 그래서이 경우에, 당신은 필요할 것입니다 – TensorFlow로 시작하여 거기에서 모델을 구축하십시오 그럼 저와 관련된 단계에 대해 이야기하겠습니다 나만의 맞춤형 모델을 만드는 워크 플로 다음과 같습니다

TensorFlow 모델은 모두 아시다시피, 그것은 32 비트 부동 소수점 모델입니다 권리? 그리고 지금은 산호초에서 사용할 수 있습니다 Coral 장치는 TensorFlow Lite가 필요하기 때문에 Edge에서 실행되며 메모리가 거의 필요하지 않습니다 따라서 TensorFlow 모델이 효과적입니다 TensorFlow 모델을 선택하십시오

당신은 그것을 1 단계로 변환합니다 당신은 양자화 된 버전으로 훈련으로 변환합니다 그래서 교육 과정이 있습니다 양자화 – 인식 훈련 TensorFlow 모델을 변환합니다

양자화 된 TensorFlow 모델로 변환합니다 그래서 기본적으로 32 비트 부동 소수점을 변환합니다 8 비트 정수 기반 모델을 기반으로합니다 그런 다음 TensorFlow 모델을 사용하여이 모델을 내 보냅니다 일반적으로

pb PDF 인 TensorFlow 고정 그래프로 파일 그러나이 파일도 사용할 수 없습니다 산호에 배치 할 준비가되지 않았습니다 다음 단계는 당신이해야 할 일입니다 이 제품을 TensorFlow Lite 모델로 변환해야합니다

TensorFlow Lite 변환기가 포함되어 있습니다 그리고 나서 TensorFlow Edge TPU를 사용하여 컴파일합니다 TensorFlow 컴파일러와 바이너리 만들기 Edge TPU와 호환됩니다 그런 다음 작업을 수행 한 후에 배포합니다 이 과정은 당신의 흐름입니다

귀하의 환경에서 사용할 것입니다 구축을 위해이 플랫폼이 어떻게 당신에게 제공되는지에 대해 이야기합니다 응용 프로그램 작성 우리는 아주 처음에 우리가 원하는 산호초가 생태계의 기반 모두 함께 그래서 이것은 정말로 당신을위한 플랫폼입니다 세계적으로 지역 사회와 혁신하고 공유하는 데 사용 전부

그걸로 저는 여러분에게 하나의 예를 보여주고 싶습니다 당사의 소매 파트너 중 Gravity Link 그들은이 앱을 만들었습니다 매우 멋진 앱 휴대 전화를 사용하여 앱을 직접 다운로드 할 수 있습니다

산호초 개발위원회에 그리고 아래 링크에서 자세한 내용을 확인할 수 있습니다 또는 Google Play에서 Model Play를 검색하기 만하면됩니다 다운로드하여 시도 할 수 있습니다 이것이 우리가 모든 개발자가 기여하고자하는 아이디어입니다

이 생태계, 건물 도구, 건물 모델, 응용 프로그램 작성, 업계와 공유 그리고 이것은 산호 생태계가 지향하는 것입니다 그걸로 끝내자 AI에서 개발할 수있는 잠재적 인 영역은 무엇입니까? 이것 좀봐 물론 가전 제품이 있습니다 기구; 거기에서 개발할 수있는 많은 기회가 있습니다

산업용 창고, 장치의 모니터링, 조립 라인을 모니터링합니다 이것은 또 다른 영역입니다 로봇 로보틱스 업계와 소비자 모두 현장입니다

자동차 자동차 산업 또한 분야입니다 그리고 Google I / O 기조 연설에서 여러분 모두와 같이, 의료 기기, 의료 기기 등이 또 다른 분야입니다 그리고 마지막으로 교육 교육 보조 및 연구

기계 학습 – 기기 기반 기계 학습을 사용할 수 있습니다 당신이 혁신 할 수있는 산호를 사용합니다 그래서 할 수있는 일이 많이 있습니다 권리? 그리고 내가 오늘 이야기 한 모든 정보, 그들은 산호 웹 사이트에 요약되어 있습니다 기억이 안나면 이것을 기억하십시오

CoralwithGooglecom이라고합니다 우리의 문서, 샘플, 모델, 모든 것이 있습니다 그래서 슬라이드에 더 많은 참고 자료가 있습니다

당신은 나중에 볼 수 있습니다 Mendel Linux에 대한 참조가 있습니다 TensorFlow Lite에 대해 어떻게 할 수 있습니까? 양자화 인식 교육을 수행합니다 그리고이 모든 정보는 매우 중요합니다 Stack Overflow에서 태그가 있습니다

온라인 커뮤니티에 가입 할 수 있습니다 토론에 참여하고 대답하다 다른 개발자의 질문 또는 답변을 살펴보십시오 너를 감시하거나 서로 돕고 싶다 이 온라인 커뮤니티를 사용합니다

그리고 큰 소리로 말하고 싶습니다 우리는 당신을 위해 산호초 코드 응용 프로그램을 가지고 있습니다 I / O에서 Coral을 사용하여 실험하고 싶습니다 오늘 거기에 갈 수 있습니다 Dev Load 팀 동료는 모두를 돕고 있습니다

코딩 앱으로 간다 즉, 요약 및 행동 강령입니다 오늘 여기 와서, 번호 하나 산호 제품을 검토하십시오 TensorFlow Lite에 대해 자세히 알아보십시오

산호 보드를 사용하여 실험하기 그리고 나만의 맞춤형 모델을 구축하십시오 그리고 마지막으로, 지상에서 위로 모델을 구축하십시오 우리는 산호 플랫폼을 복용하기를 원합니다 당신의 상상력을 넣고, 혁신을 넣고, AI를 업계 곳곳의 소비자에게 제공하십시오

그래서 우리 산호 팀을 대표하여, 이 세션에 참석해 주셔서 대단히 감사합니다 고맙습니다 [음악 재생]