De 3 mest trendy AI-settene i 2017 - En rask guide til Google Vision-settet, DeepLens & BerryNet

De siste ukene har vært veldig spennende for oss. Amazon introduserte det første videokameraet med dyp læring - DeepLens. Google kunngjorde sitt siste AIY-prosjekt - Vision Kit. På DT42 tror vi alltid at å bringe dyp læring til edge-enheter er nøkkelen mot fremtiden. Vi mener også at AI-teknologi ikke bare skal domineres av store teknologigiganter, men lett tilgjengelig for alle. Det er grunnen til at vi ga ut BerryNet [1] -prosjektet for et halvt år siden. BerryNet er det første AI Gateway FLOSS-prosjektet som frigjør kraften til AI på kantenheter.

Med disse tre siste fantastiske AI edge-visjonene - eller jeg skal si leker, kan du bygge opp ditt helt eget prosjekt ved å bruke AI for å løse problemet ditt i livet ditt. La oss si at hvis du vil bygge et ape-varselskamera for å forhindre at aper roter seg med hagen din og spiser opp all frukt. Hva er trinnene du må ta ved å bruke Google AIY Vision Kit, DeepLens eller BerryNet?

Her ønsker vi å lage en kort instruksjon.

Figur 1. Ape alarmanlegg

Figur 2 gir en kort illustrasjon av utstyret og programvaren du vil bruke med forskjellige verktøy.

Figur 2. Viktige komponenter i Monkey alarmsystemet

Hele Monkey alarmsystemet inkluderer fem hovedkomponenter: Datamottaker: et kamera

(a) Datamottaker: et kamera
(b) Beregningsmaskinvare: nøkkelhardwarekomponent for tensorberegning
(c) Programvaresystem: inkludert bibliotekene for dyp læring og operativsystem som kjører på lokal maskinvare.
(d) AI-modell: den dype læringsmodellen som brukes til å analysere inputdata
(e) Alarmutløsersystem: leverer oppdagelsesresultatene til brukerne

Deretter vil vi forklare flere av trinnene ved å bruke de tre verktøyene hver for seg.

Google AIY-visjonssett

Figur 3. Komponenter i systemet ved hjelp av visjonssett

Maskinvare du trenger å forberede: Pi kamera 2 (a), Vision kit (b), Raspberry Pi zero w.

trinn:
 1 - Sett sammen settet ved å følge instruksjonene fra AIY Project nettsted [2], og legg bildet (3) på SD-kortet.
 2 - Tren en dyp læringsmodell som en apedetektor (d) og samle den,
 3 - Last inn trent modell til VisionBonnet for å bygge en apedeteksjon
 4 - Bruk SDK til å bygge alarm trigger (e) og kontrollere den via Android App.

Hvis objektet du vil oppdage allerede er samlet med bildet, kan du bare hoppe over trinn 2.

AWS DeepLens

Figur 4. Komponenter av systemet som bruker DeepLens

Maskinvare du trenger å forberede: AWS DeepLens, dette inkluderer komponenter (a), (b) og (c)

trinn:
 1 - Registrer, koble til og konfigurer DeepLens online.
 2 - Bruk AWS SageMaker til å trene en monkey detect model (d).
 2.1 Lag et "monkey detect project" på DeepLens-konsollen
 2.2 Importer modellen trent i trinn 2.1, og distribuer prosjektet til DeepLens
 3 - Bruk AWS Management Console til å bygge alarm trigger (e).

Ved å bruke AWS DeepLens, i motsetning til de to andre settene, trenger du ikke å forberede all maskinvaren selv. Dette begrenset imidlertid også fleksibiliteten.

BerryNet

Figur 5. Komponenter i systemet som bruker BerryNet

Maskinvare du trenger å forberede: Raspberry Pi 3 (b), et IP / Nest / Pi-kamera (a). Du kan også kjøpe Movidius Neural Compute Sticker for bedre inferensytelse. trinn:

1 - Tren en dyp læringsmodell som en pengedetektor (d)
 2 - Installer og konfigurer BerryNet (c) med den trente modellen på Raspberry Pi
 3 - Konfigurer inndataklient som datamottaker (kan være et pi-kamera, et IP-kamera eller til og med et Nest-kamera), og sende ut klient som alarmutløser.

For øyeblikket krever modellopplæringen brukere å konfigurere miljøet manuelt. For eksempel å følge YOLO-nettstedet [3] for å trene apedetektoren. En ny brukervennlig tjeneste, Epeuva [4], kommer snart for å hjelpe kunder med å trene modellen. Klikk for å registrere deg for den tidlige invitasjonen.

På Epeuva kan du ta med dine egne data og tilpassede AI-modeller uten koding. Ved å gjenta trinn 1 kan brukerne enkelt bygge et deteksjonssystem de ønsker.

Vi ser for oss en verden der dyp læring og AI skal demokratiseres for alle og enhver enhet. BerryNet-prosjektet er lisensiert med GPL fordi vi ønsker å ta AI fra elfenbenstårnene og gjøre det tilgjengelig for alle.

Datamaskiner har gått i massive sykluser, og skiftet fra sentralisert til distribuert og tilbake igjen. Vi tror at edge AI er nøkkelen for å utvikle flere og mer nyttige applikasjoner i nær fremtid.

[1] https://github.com/DT42/BerryNet
[2] https://aiyprojects.withgoogle.com/vision#assembly-guide-7-now-what
[3] https://pjreddie.com/darknet/yolo/
[4] http://www.dt42.io/epeuva/index.html#contact-section