De 3 meest trendy AI-kits in 2017 - Een korte handleiding voor Google Vision-kit, DeepLens & BerryNet

De afgelopen weken waren erg opwindend voor ons. Amazon introduceerde de eerste videocamera met deep learning - DeepLens. Google heeft hun nieuwste AIY-project aangekondigd: de Vision Kit. Bij DT42 geloven we altijd dat diepgaand leren naar geavanceerde apparaten de sleutel is tot de toekomst. Wij zijn ook van mening dat AI-technologie niet alleen mag worden gedomineerd door grote technische reuzen, maar voor iedereen gemakkelijk beschikbaar is. Dat is de reden waarom we een half jaar geleden het BerryNet [1] -project hebben uitgebracht. BerryNet is het eerste AI Gateway FLOSS-project dat de kracht van AI op randapparatuur vrijgeeft.

Met deze 3 nieuwste geweldige AI edge vision power-ups - of ik zou speelgoed moeten zeggen, kun je je eigen project opbouwen met AI om je probleem in je leven op te lossen. Stel dat u een camera voor apenwaarschuwing wilt bouwen om te voorkomen dat apen uw achtertuin verpesten en al uw fruit opeten. Wat zijn de stappen die u moet nemen door Google AIY Vision Kit, DeepLens of BerryNet te gebruiken?

Hier willen we een korte instructie maken.

Figuur 1. Monkey alarmsysteem

Afbeelding 2 geeft een korte illustratie van de apparatuur en software waarmee u verschillende tools gaat gebruiken.

Figuur 2. Belangrijkste componenten van het Monkey alarmsysteem

Het hele Monkey-alarmsysteem bestaat uit vijf hoofdcomponenten: gegevensontvanger: een camera

(a) Gegevensontvanger: een camera
(b) Berekeningshardware: belangrijke hardwarecomponent voor tensorberekening
(c) Softwaresysteem: inclusief de deep learning-bibliotheken en het besturingssysteem dat op lokale hardware draait.
(d) AI-model: het deep learning-model dat wordt gebruikt voor het analyseren van invoergegevens
(e) Alarmtrigger: lever de detectieresultaten aan gebruikers

Vervolgens zullen we meer van de stappen met behulp van de drie tools afzonderlijk uitleggen.

Google AIY vision-kit

Figuur 3. Onderdelen van het systeem met behulp van vision-kit

Hardware die u moet voorbereiden: Pi-camera 2 (a), Vision-kit (b), Raspberry Pi zero w.

Stappen:
 1 - Monteer de kit volgens de instructies van de AIY Project-website [2] en laad de afbeelding (3) op de SD-kaart.
 2 - Train een deep learning-model als een apendetector (d) en compileer het,
 3 - Laad getraind model op VisionBonnet om een ​​aapdetectie te bouwen
 4 - Gebruik de SDK om een ​​alarmtrigger (e) te bouwen en te bedienen via de Android-app.

In het geval dat het object dat u wilt detecteren al is gebundeld met de afbeelding, kunt u eenvoudig stap 2 overslaan.

AWS DeepLens

Afbeelding 4. Onderdelen van het systeem met DeepLens

Hardware die u moet voorbereiden: AWS DeepLens, dit omvat componenten (a), (b) en (c)

Stappen:
 1 - Registreer, maak verbinding en stel DeepLens online in.
 2 - Gebruik AWS SageMaker om een ​​detectiemodel voor apen te trainen (d).
 2.1 Maak een 'aapdetectieproject' op de DeepLens-console
 2.2 Importeer het model getraind in stap 2.1 en implementeer het project in DeepLens
 3 - Gebruik AWS Management Console om alarmtrigger te bouwen (e).

Door AWS DeepLens te gebruiken, in tegenstelling tot de andere twee kits, hoeft u niet alle hardware zelf te bereiden. Dit beperkte echter ook de flexibiliteit.

BerryNet

Figuur 5. Componenten van het systeem dat BerryNet gebruikt

Hardware die u moet voorbereiden: Raspberry Pi 3 (b), een IP / Nest / Pi-camera (a). U kunt ook Movidius Neural Compute Sticker kopen voor betere afleidingsprestaties. Stappen:

1 - Train een deep learning-model als gelddetector (d)
 2 - Installeer en configureer BerryNet (c) met het getrainde model op Raspberry Pi
 3 - Stel de invoerclient in als gegevensontvanger (kan een pi-camera, een IP-camera of zelfs een Nest-camera zijn) en uitvoerclient als alarmtrigger.

Momenteel vereist de modeltraining dat gebruikers de omgeving handmatig instellen. Volg bijvoorbeeld de YOLO-website [3] om de aap-detector te trainen. Epeuva [4] is een nieuwe, gebruiksvriendelijke service die klanten binnenkort helpt het model te trainen. Klik om te registreren voor de vroege uitnodiging.

Op Epeuva kunt u uw eigen gegevens en aangepaste AI-modellen meenemen zonder codering. Door stap 1 te herhalen, kunnen gebruikers eenvoudig een detectiesysteem bouwen dat ze willen.

We stellen ons een wereld voor waarin diep leren en AI voor iedereen en elk apparaat zullen worden gedemocratiseerd. Het BerryNet-project is gelicentieerd met GPL omdat we AI van de ivoren torens willen nemen en voor iedereen toegankelijk willen maken.

Het computergebruik is in enorme cycli gegaan, van gecentraliseerd naar gedistribueerd en weer terug. Wij geloven dat edge AI de sleutel is voor het ontwikkelen van meer en meer bruikbare applicaties in de nabije toekomst.

[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