ในปัจจุบัน อุปกรณ์อัจฉริยะทั้งหมดที่สามารถทำงานในด้านคอมพิวเตอร์วิทัศน์ การจดจำเสียงพูด และการประมวลผลสัญญาณล้วนใช้นิวรัลเน็ตเวิร์ค (Neural Networks: NN) โดยประสิทธิภาพและความแม่นยำของนิวรัลเน็ตเวิร์คสำหรับการใช้งานดังที่กล่าวมานั้นได้ก้าวมาถึงจุดที่เหล่านักวิจัยยกย่องว่าแม่นยำยิ่งกว่าวิธีการที่ใช้อัลกอรึทึมแบบเดิม ๆ เสียด้วยซ้ำ อย่างไรก็ตาม มีอุปกรณ์ฮาร์ดแวร์เพียงไม่กี่ชนิดเท่านั้นที่สามารถนำโซลูชันนิวรัลเน็ตเวิร์คดังกล่าวมาใช้งานและปรับใช้กับเทคโนโลยี Edge เพื่อให้สามารถทำการวิเคราะห์แบบเรียลไทม์ด้วยความเร็วสูงได้

คู่มือโซลูชันผลิตภัณฑ์นี้จะอธิบายเกี่ยวกับนิวรัลเน็ตเวิร์กแบบไบนารี (Binary Neural Network: BNN) และนิวรัลเน็ตเวิร์คแบบควอนไตซ์ (Quantized Neural Network: QNN) บนบอร์ด Ulta96-V2 จาก Avnet ที่ใช้โอเวอร์เลย์ PYNQ ของ Xilinx โดยผู้ใช้จะนำโปรแกรมการใช้งานด้านการจดจำภาพแบบต่าง ๆ ที่ใช้งานนิวรัลเน็ตเวิร์ค เช่น ระบบตรวจจับป้ายจราจรบนท้องถนนและระบบระบุชนิดของสัตว์จากโปรเจ็กต์ ImageNet มาใช้งาน โปรเจ็กต์นี้อธิบายถึงวิธีในการนำโมเดลการเพิ่มความเร็วประสิทธิภาพสูงแบบฮาร์ดแวร์มาใช้ในอุปกรณ์ AIoT Edge แบบฝังสำหรับการประมวลผลแทนการใช้งานซอฟต์แวร์ซึ่งมีข้อจำกัดในตัวเอง

สิ่งที่คุณจะได้เรียนรู้:

  • อุปกรณ์แบบตั้งโปรแกรมได้ทุกส่วนชนิดต่าง ๆ สำหรับนิวรัลเน็ตเวิร์ค
  • เข้าใจเกี่ยวกับ PYNQ และโอเวอร์เลย์ PYNQ
  • สำรวจแนวทางที่ดีที่สุดในการเริ่มต้นใช้งาน PYNQ และ Ultra96-V2
  • นิวรัลเน็ตเวิร์คกับสถาปัตยกรรม
  • อุปสรรคในการนำนิวรัลเน็ตเวิร์คมาใช้งาน
  • การตั้งค่าฮาร์ดแวร์ Ultra96-V2 เพื่อบูตและใช้เฟรมเวิร์ก PYNQ
  • Jupyter Notebook ภาษา Python ที่ใช้งานบน Ultra96
  • ตัวอย่างการออกแบบ 1 - ระบบตรวจจับป้ายจราจรบนท้องถนน
  • ตัวอย่างการออกแบบ 2 - ระบบระบุชนิดของสัตว์

ฮาร์ดแวร์ที่จำเป็น

ชุดอุปกรณ์บอร์ดการพัฒนา Ultra96-V2 จาก Avnet
เพิ่มลงในตะกร้าสินค้า

ดาวน์โหลดคู่มือโซลูชัน

*จำเป็น

มีข้อมูลเพิ่มเติมเกี่ยวกับวิธีที่เราใช้ข้อมูลของคุณใน นโยบายการปกป้องข้อมูลและความเป็นส่วนตัวของข้อมูลของเรา