Es ist nicht schwierig, ein einfaches sensorbasiertes IoT-Gerät zu entwerfen, aber ein IoT-Gerät mit Edge Machine Learning (ML) -Verarbeitungskapazitäten zu bauen, ist eine ganz andere Sache.Die dedizierte Prozessorreihe, Entwicklungs-Boards und begleitende Software, die von NXP Semiconductors eingeführt wurden, zielen darauf ab, die wichtigsten Herausforderungen in den Bereichen Funktionalität, Leistung und Entwicklung zu lösen,Unterstützung des schnelleren Einsatzes komplexer künstlicher Intelligenz (KI) -Funktionen in industriellen Anwendungen und IoT-Anwendungen.
Designer haben begonnen, Edge-KI-Lösungen zu nutzen, die ML-Inferenzen auf geringen Leistungseinrichtungen durchführen können, ohne auf Cloud-Ressourcen angewiesen zu sein.Analyse der Sensordatenmuster, und die grundlegende Objekterkennung kann in der Regel von energieeffizienten Prozessoren mit ML-Modellen (die mit Modelloptimierungswerkzeugen und -rahmenwerken erstellt wurden) erledigt werden.Engpässe entstehen, wenn Sie versuchen, die Prozessorressourcen zu erweitern, um komplexere Probleme zu lösen., insbesondere solche, die eine Echtzeit- oder nahezu Echtzeitreaktion erfordern.
Wie Multi-Core-Prozessoren die ML-Inferenz erheblich beschleunigen
NXP Semiconductors kann mit seinen Anwendungsprozessoren der i.MX 93-Serie die funktionalen und Leistungsprobleme dieser aufstrebenden Echtzeit-Kante-KI-Designs leicht bewältigen (Abbildung 1).
Abbildung 1: Der i.MX 93-Anwendungsprozessor integriert Rechenressourcen, Sicherheitssysteme, Speicher sowie eine vollständige Palette von Uhren, Timern, Verbindungsoptionen und Schnittstellen,Schaffung der Grundlagen für Edge AI Design. (Bildquelle: NXP Halbleiter)
Diese Prozessorreihe integriert umfangreiche Funktionen, darunter Multimedia, Speicher, Schnittstellen und Verbindungsoptionen, und kombiniert auffällige Rechenressourcen:
Bis zu zwei leistungsstarke Arm Cortex-A55 Anwendungsprozessorkerne für Linux-basierte Anwendungsverarbeitungsaufgaben
Eine extrem leistungsstarke Arm Cortex-M33-Plattform für die Echtzeitsteuerung mit geringer Latenzzeit
Eine Arm Ethos-U65 microNPU-Neuralprocessing-Einheit (NPU) für die effiziente Ausführung von ML-Inferenz
Die integrierte EdgeLock Secure Enclave (ESE) von NXP bietet eine Vertrauensbasis für sicheres Boot- und Schlüsselmanagement, Echtzeitverschlüsselung und andere Funktionen, die zum Schutz von Edge-Anwendungen erforderlich sind
Durch die Nutzung der Fähigkeiten dieser Prozessoren können große KI-Anwendungen in mehrere leicht verwaltbare Teile aufgeteilt werden:NPUs übernehmen die Rechenarbeiten von algorithmischen Dichten-Neuralnetzen, wodurch die Belastung der Cortex-A55Kerne verringert und die Vornahme ihrer laufenden AnwendungscodeRessourcen vermieden wird.Der Cortex-M33-Kern konzentriert sich weiterhin auf die Verarbeitung von Aufgaben mit geringer Latenz wie Sensordatenerfassung oder Prozesssteuerung., während die eingebettete ESE die Systemsicherheit, den Softwarecode und die kritischen Daten während des gesamten Prozesses gewährleistet.Das Folgende wird die Fähigkeit von NPU einführen, maschinelle Lerninferenz vom Cortex-A55-Kern abzuladen, die eine wichtige Unterstützung für die Erreichung fast Echtzeit-responsive Edge AI-Anwendungen ist.
Wie Hardware- und Softwareentwicklungs-Boards die Anwendungsentwicklung beschleunigen
Obwohl die Funktionalität und Leistung des Prozessors entscheidend sind,die effiziente Entwicklung von Edge-KI-Anwendungen beruht stärker auf der Fähigkeit, schnell die Eigenschaften des Prozessors zu erfassen und schnell effektive Software zu erstellenDas FRDM-IMX93-Entwicklungstafel von NXP (Abbildung 2) kann in Kombination mit den entsprechenden Ressourcen für die Softwareentwicklung alles zur Verfügung stellen, was zur Erstellung von Anwendungen benötigt wird.