Casi todos los dispositivos inteligentes que realizan visión de computadora, reconocimiento de voz y tareas de procesamiento de señales ahora utilizan redes neurales (NN). Para las aplicaciones mencionadas anteriormente, la eficiencia y precisión de las redes neurales han avanzado hasta el punto que los investigadores las consideran más precisas que el enfoque algorítmico convencional. Sin embargo, solo existen algunos pocos dispositivos de hardware que se pueden utilizar para implementar las soluciones de redes neurales perimetrales para realizar análisis en tiempo real a gran velocidad.

Este guía sobre soluciones proporciona una demostración sobre la red neural binaria (BNN) y la red neural cuantizada (QNN) en Ultra96-V2 de Avnet con capas PYNQ de Xilinx. Los usuarios implementarán aplicaciones de reconocimiento de imágenes como detección de señales de tránsito e identificación de animales en ImageNet mediante redes neurales. Este proyecto explica en detalle cómo implementar el modelo de aceleración de alto rendimiento basado en hardware en una aplicación perimetral AIoT de procesamiento integrada en lugar de una implementación de software que tiene sus propias limitaciones.

Lo que aprenderá:

  • Dispositivos heterogéneos completamente programables para redes neurales
  • Comprensión de capas PYNQ y PYNQ
  • Exploración de las mejores formas de comenzar con PYNQ y Ultra96-V2
  • Arquitectura y red neural
  • Desafíos de la implementación de redes neurales
  • Configuración de hardware Ultra96-V2 para iniciar y utilizar el framework de PYNQ
  • Ejecución de Python Jupyter Notebook en Ultra96
  • Ejemplo de diseño | Detección de señales de tránsito
  • Ejemplo de diseño II | Animales

Requisitos de hardware

Kit de placa de desarrollo Avnet Ultra96-V2
Agregar al carrito
Fuente de alimentación
Agregar al carrito

Descargar la guía de soluciones

* Requerido

There is more on how we use your information in our Data Protection & Privacy Policy