Lösungsleitfaden für neuronale Netze
NEU! Lösungskit von Farnell für den Einstieg in Ihre nächste Innovation.
Nahezu alle intelligenten Geräte, die Bildverarbeitungs-, Spracherkennungs- und Signalverarbeitungsaufgaben ausführen, verwenden jetzt neuronale Netze (NN). Für die oben genannten Anwendungen sind die Effizienz und Genauigkeit neuronaler Netze so weit fortgeschritten, dass die Forscher sie für genauer halten als den herkömmlichen algorithmischen Ansatz. Es sind jedoch nur wenige Hardware-Geräte verfügbar, mit denen solche neuronalen Netzlösungen am Netzwerkrand für High-Speed-Analysen in Echtzeit implementiert und bereitgestellt werden können.
Dieser Produktlösungsleitfaden zeigt das binäre neuronale Netz (BNN) und das quantisierte neuronale Netz (QNN) auf Ulta96-V2 von Avnet unter Verwendung von PYNQ-Overlays von Xilinx. Die Benutzer implementieren Bilderkennungsanwendungen wie die Erkennung von Verkehrszeichen und die ImageNet-Tieridentifikation mithilfe neuronaler Netze. In diesem Projekt wird erläutert, wie ein leistungsstarkes, hardwarebasiertes Beschleunigungsmodell in einer eingebetteten KIoT-Edge-Verarbeitungsanwendung anstelle einer Softwareimplementierung mit eigenen Einschränkungen implementiert wird.
Informationen zu folgenden Themen werden bereitgestellt:
- Heterogene, vollständig programmierbare Geräte für neuronale Netze
- PYNQ- und PYNQ-Overlays verstehen
- Entdecken Sie die besten Möglichkeiten für den Einstieg mit PYNQ und Ultra96-V2
- Neuronales Netz und Architektur
- Herausforderungen bei der Implementierung neuronaler Netze
- Richten Sie die Ultra96-V2-Hardware ein, um PYNQ-Framework zu starten und zu verwenden
- Python Jupyter-Notebook, das auf dem Ultra96 läuft
- Designbeispiel I – Erkennung von Verkehrszeichen
- Designbeispiel II – Tier
Erforderliche Hardware
Lösungsleitfaden herunterladen
*Erforderlich