Google 為樹莓派 Zero W 發布了基於TensorFlow 的視覺識別套件
Google 發布了一個 45 美元的 「AIY Vision Kit」,它是運行在樹莓派 Zero W 上的基於 TensorFlow 的視覺識別開發套件,它使用了一個帶 Movidius 晶元的 「VisionBonnet」 板。
為加速該設備上的神經網路,Google 的 AIY 視頻套件繼承了早期樹莓派上運行的 AIY 項目 的語音/AI 套件,這個型號的樹莓派隨五月份的 MagPi 雜誌一起贈送。與語音套件和老的 Google 硬紙板 VR 查看器一樣,這個新的 AIY 視覺套件也使用一個硬紙板包裝。這個套件和 Cloud Vision API 是不一樣的,它使用了一個在 2015 年演示過的基於樹莓派的 GoPiGo 機器人,它完全在本地的處理能力上運行,而不需要使用一個雲端連接。這個 AIY 視覺套件現在可以 45 美元的價格去預訂,將在 12 月份發貨。
AIY 視覺套件,完整包裝(左)和樹莓派 Zero W
這個套件的主要處理部分除了所需要的 樹莓派 Zero W 單片機之外 —— 一個基於 ARM11 的 1 GHz 的 Broadcom BCM2836 片上系統,另外的就是 Google 最新的 VisionBonnet RPi 附件板。這個 VisionBonnet pHAT 附件板使用了一個 Movidius MA2450,它是 Movidius Myriad 2 VPU 版的處理器。在 VisionBonnet 上,處理器為神經網路運行了 Google 的開源機器學習庫 TensorFlow。因為這個晶元,使得視覺處理的速度最高達每秒 30 幀。
這個 AIY 視覺套件要求用戶提供一個樹莓派 Zero W、一個 樹莓派攝像機 v2、以及一個 16GB 的 micro SD 卡,它用來下載基於 Linux 的 OS 鏡像。這個套件包含了 VisionBonnet、一個 RGB 街機風格的按鈕、一個壓電揚聲器、一個廣角鏡頭套件、以及一個包裹它們的硬紙板。還有一些就是線纜、支架、安裝螺母,以及連接部件。
AIY 視覺套件組件(左)和 VisonBonnet 附件板
有三個可用的神經網路模型。一個是通用的模型,它可以識別常見的 1000 個東西,一個是面部檢測模型,它可以對 「快樂程度」 進行評分,從 「悲傷」 到 「大笑」,還有一個模型可以用來辨別圖像內容是狗、貓、還是人。這個 1000 個圖片模型源自 Google 的開源 MobileNets,它是基於 TensorFlow 家族的計算機視覺模型,它設計用於資源受限的移動或者嵌入式設備。
MobileNet 模型是低延時、低功耗,和參數化的,以滿足資源受限的不同使用情景。Google 說,這個模型可以用於構建分類、檢測、嵌入、以及分隔。在本月的早些時候,Google 發布了一個開發者預覽版,它是一個對 Android 和 iOS 移動設備友好的 TensorFlow Lite 庫,它與 MobileNets 和 Android 神經網路 API 是兼容的。
AIY 視覺套件包裝圖
除了提供這三個模型之外,AIY 視覺套件還提供了基本的 TensorFlow 代碼和一個編譯器,因此用戶可以去開發自己的模型。另外,Python 開發者可以寫一些新軟體去定製 RGB 按鈕顏色、壓電元素聲音、以及在 VisionBonnet 上的 4x GPIO 針腳,它可以添加另外的指示燈、按鈕、或者伺服機構。Potential 模型包括識別食物、基於可視化輸入來打開一個狗門、當你的汽車偏離車道時發出文本信息、或者根據識別到的人的面部表情來播放特定的音樂。
Myriad 2 VPU 結構圖(左)和參考板
Movidius Myriad 2 處理器在一個標稱 1W 的功耗下提供每秒萬億次浮點運算的性能。在被 Intel 收購之前,這個晶元最早出現在 Tango 項目的參考平台上,並內置在 2016 年 5 月由 Movidius 首次亮相的、Ubuntu 驅動的 USB 的 Fathom 神經網路處理棒中。根據 Movidius 的說法,Myriad 2 目前已經在 「市場上數百萬的設備上使用」。
更多信息
AIY 視覺套件可以在 Micro Center 上預訂,價格為 $44.99,預計在(2017 年) 12 月初發貨。更多信息請參考 AIY 視覺套件的 公告、Google 博客、以及 Micro Center 購物頁面。
via: http://linuxgizmos.com/google-launches-tensorflow-based-vision-recognition-kit-for-rpi-zero-w/
作者:Eric Brown 譯者:qhwdw 校對:wxy
本文轉載來自 Linux 中國: https://github.com/Linux-CN/archive