Künstliche Intelligenz (KI)

Der Coral USB Accelerator fügt Ihrem System einen Edge-TPU-Coprozessor hinzu und ermöglicht High-Speed-Inferenzen durch maschinelles Lernen auf einer Vielzahl von Systemen, indem er einfach an einen USB-Port angeschlossen wird. Features Unterstütztes Host-Betriebssystem: Debian Linux, macOS, Windows 10 Kompatibel mit Raspberry Pi-Boards Unterstütztes Framework: TensorFlow Lite Führt High-Speed-ML-Inferenzen durch Der integrierte Edge TPU-Coprozessor kann 4 Billionen Operationen (Tera-Operationen) pro Sekunde (TOPS) ausführen, wobei 0,5 Watt für jede TOPS (2 TOPS pro Watt) verbraucht werden. Beispielsweise kann es hochmoderne mobile Vision-Modelle wie MobileNet v2 mit fast 400 FPS auf energieeffiziente Weise ausführen. Unterstützt alle wichtigen Plattformen Verbindet sich über USB mit jedem System, auf dem Debian Linux (einschließlich Raspberry Pi), macOS oder Windows 10 ausgeführt wird. Unterstützt TensorFlow Lite Modelle müssen nicht von Grund auf neu erstellt werden. TensorFlow Lite-Modelle können für die Ausführung auf der Edge-TPU kompiliert werden. Unterstützt AutoML Vision Edge Mit AutoML Vision Edge können Sie ganz einfach schnelle, hochpräzise benutzerdefinierte Bildklassifizierungsmodelle erstellen und auf Ihrem Gerät bereitstellen. Technische Daten ML Accelerator Google Edge TPU Coprozessor:4 TOPS (int8); 2 TOPS pro Watt Anschluss USB 3.0 Typ-C (Daten/Stromversorgung) Abmessungen 65 x 30 mm Downloads/Dokumentation Datasheet Get started with the USB Accelerator Model compatibility on the Edge TPU Edge TPU inferencing overview Run multiple models with multiple Edge TPUs Pipeline a model with multiple Edge TPUs PyCoral API (Python) Libcoral API (C++) Libedgetpu API (C++) Edge TPU compiler Pre-compiled models All software downloads

Lesen (+) (–)

Sind Sie bereit, mit der Entwicklung von Anwendungen für künstliche Intelligenz (KI) zu beginnen? Das NVIDIA Jetson Nano Developer Kit macht die Leistungsfähigkeit moderner KI für Macher, Entwickler und Studenten zugänglich. Wenn Sie an NVIDIA denken, denken Sie wahrscheinlich zu Recht an Grafikkarten und GPUs. Die Erfolgsbilanz von Nvidia garantiert, dass der Jetson Nano über genügend Leistung verfügt, um selbst die anspruchsvollsten Aufgaben zu bewältigen. Das NVIDIA Jetson Nano Developer Kit ist mit dem JetPack SDK von Nvidia kompatibel und ermöglicht die Bildklassifizierung und Objekterkennung in vielen Anwendungen. Anwendungen Das NVIDIA Jetson Nano Developer Kit kann mehrere neuronale Netze parallel ausführen für Anwendungen wie: Bildklassifizierung Segmentierung Objekterkennung Sprachverarbeitung Technische Daten GPU 128-core Maxwell CPU Quad-Core ARM A57 mit 1,43 GHz Erinnerung 4 GB 64-Bit LPDDR4 25,6 GB/s Lagerung microSD (nicht im Lieferumfang enthalten) Videokodierung 4K@30 | 4x 1080p @ 30 | 9x 720p @ 30 (H.264/H.265) Videodekodierung 4K@60 | 2x 4K @ 30 | 8x 1080p @ 30 | 18x 720p @ 30 (H.264/H.265) Kamera 1 x MIPI CSI-2 DPHY-Spuren Konnektivität Gigabit-Ethernet, M.2 Key E Anzeige HDMI 2.0 und eDP 1.4 USB 4x USB 3.0, USB 2.0 Micro-B Schnittstellen GPIO, I²C, I²S, SPI, UART Maße 100 x 80 x 29 mm Lieferumfang NVIDIA Jetson Nano-Modul und Trägerplatine Kleine Papierkarte mit Schnellstart- und Supportinformationen Gefalteter Papierständer Downloads JetPack SDK Dokumentation Tutorials Online Kurs Wiki

Lesen (+) (–)

Merkmale Dual-Core 64-Bit RISC-V RV64IMAFDC (RV64GC) CPU / 400 MHz (normal) Duale unabhängige FPU mit doppelter Präzision 8 MB On-Chip-SRAM mit 64 Bit Breite Neuronaler Netzwerkprozessor (KPU) / 0,8 Tops Feldprogrammierbares IO-Array (FPIOA) AES, SHA256-Beschleuniger Direct Memory Access Controller (DMAC) Micropython-Unterstützung Unterstützung der Firmware-Verschlüsselung Onboard-Hardware: Blitz: 16M Kamera: OV7740 2x Knöpfe Statusanzeige-LED Externer Speicher: TF-Karte/Micro SD Schnittstelle: HY2.0/kompatibel mit GROVE Anwendungen Gesichtserkennung/-erkennung Objekterkennung/-klassifizierung Ermitteln Sie die Größe und Koordinaten des Ziels in Echtzeit Erhalten Sie den Typ des erkannten Ziels in Echtzeit Formerkennung, Videorecorder Inbegriffen 1x UNIT-V (einschließlich 20 cm 4P-Kabel und USB-C-Kabel)

Lesen (+) (–)

Benötigen Sie eine einfache KI-Kamera, um Ihre Projekte zu verbessern? Das intuitive Design der HuskyLens AI-Kamera ermöglicht es dem Benutzer, verschiedene Aspekte der Kamera durch einfaches Drücken von Tasten zu steuern. Sie können das Lernen neuer Objekte starten und stoppen und sogar den Algorithmus vom Gerät aus wechseln. Um die Notwendigkeit, eine Verbindung zu einem PC herzustellen, noch weiter zu reduzieren, verfügt die HuskyLens AI-Kamera über ein 2-Zoll-Display, sodass Sie in Echtzeit sehen können, was vor sich geht. Spezifikationen Prozessor: Kendryte K210 Bildsensor: OV2640 (2,0-Megapixel-Kamera) Versorgungsspannung: 3,3 ~ 5,0 V Stromverbrauch (TYP): 320 mA bei 3,3 V, 230 mA bei 5,0 V (Gesichtserkennungsmodus; 80 % Hintergrundbeleuchtung; Fülllicht aus) Verbindungsschnittstelle: UART, I²C Display: 2,0-Zoll-IPS-Bildschirm mit einer Auflösung von 320 x 240 Integrierte Algorithmen: Gesichtserkennung, Objektverfolgung, Objekterkennung, Linienverfolgung, Farberkennung, Tag-Erkennung Abmessungen: 52 x 44,5 mm Inbegriffen 1x HuskyLens-Motherboard 1x M3-Schraube 1x M3 Muttern 1x kleine Montagehalterung 1x Erhöhungshalterung 1x Schwerkraft-4-Pin-Sensorkabel

Lesen (+) (–)

Seeed Studio XIAO ESP32S3 Sense integriert einen Kamerasensor, ein digitales Mikrofon und SD-Kartenunterstützung. Durch die Kombination eingebetteter ML-Rechenleistung und Fotografiefähigkeiten kann dieses Entwicklungsboard Ihr großartiges Werkzeug für den Einstieg in die intelligente Sprach- und Bild-KI sein. Seeed Studio XIAO ESP32S3 Sense basiert auf einem hochintegrierten Xtensa-Prozessor ESP32-S3R8 SoC, der 2,4 GHz WLAN und stromsparendes Bluetooth BLE 5.0 Dual-Mode für mehrere drahtlose Anwendungen unterstützt. Es verfügt über eine Lademanagementfunktion für Lithiumbatterien. Als erweiterte Version des Seeed Studio XIAO ESP32S3 verfügt dieses Board über einen einsteckbaren OV2640-Kamerasensor für die Anzeige der vollen Auflösung von 1600 x 1200. Die Basis ist sogar mit OV5640 kompatibel und unterstützt eine Auflösung von bis zu 2592 x 1944. Das digitale Mikrofon ist ebenfalls im Lieferumfang der Platine enthalten und dient zur Spracherkennung und Audioerkennung. SenseCraft AI bietet verschiedene vorab trainierte künstliche Intelligenz ( AI-Modelle und No-Code-Bereitstellung für XIAO ESP32S3 Sense. Mit leistungsstarkem SoC und integrierten Sensoren verfügt dieses Entwicklungsboard über 8 MB PSRAM und 8 MB Flash auf dem Chip sowie einen zusätzlichen SD-Kartensteckplatz zur Unterstützung von bis zu 32 GB FAT-Speicher. Diese ermöglichen dem Board mehr Programmierraum und bringen noch mehr Möglichkeiten in eingebettete ML-Szenarien. Features Leistungsstarkes MCU-Board: Enthält den 32-Bit-Dual-Core-Xtensa-Prozessorchip ESP32S3 mit einer Taktrate von bis zu 240 MHz, mehrere Entwicklungsanschlüsse und unterstützt Arduino/MicroPython. Erweiterte Funktionalität: Mit OV5640-Kamerasensor, integriert zusätzliches digitales Mikrofon Großartiger Speicher für mehr Möglichkeiten: Bietet 8 MB PSRAM und 8 MB Flash und unterstützt einen SD-Kartensteckplatz für externen 32 GB FAT-Speicher Hervorragende HF-Leistung: Unterstützt 2,4-GHz-WLAN und BLE-Dual-Wireless-Kommunikation, unterstützt Fernkommunikation über 100 m+ bei Verbindung mit einer U.FL-Antenne Daumengroßes, kompaktes Design: 21 x 17,5 mm, übernimmt den klassischen Formfaktor von XIAO, geeignet für Projekte mit begrenztem Platzangebot wie tragbare Geräte Vorab trainiertes Al-Modell von SenseCraft Al für No-Code-Bereitstellung Anwendungen Bildbearbeitung Spracherkennung Videoüberwachung Tragbare Geräte Smart Home Gesundheitsüberwachung Bildung Low Power (LP) Netzwerk Rapid Prototyping Technische Daten Processor ESP32-S3R8 Xtensa LX7 dual-core, 32-bit processor that operates at up to 240 MHz Wireless Complete 2.4 GHz Wi-Fi subsystem BLE: Bluetooth 5.0, Bluetooth mesh Built-in Sensors oV2640 camera sensor for 1600x1200 Digital Microphone Memory On-chip 8 MB PSRAM & 8 MB Flash Onboard SD Card Slot, supporting 32 GB FAT lnterface 1x UART, 1x I²C, 1x I²S, 1x SPI, 11x GPIOs (PWM), 9x ADC, 1x User LED, 1x Charge LED, 1x B2B Connector (with 2 additional GPIOs) 1x Reset button, 1x Boot button Dimensions 21 x 17.5 x 15 mm (with expansion board) Power Input voltage (Type-C): 5 V lnput voltage (BAT): 4.2 V Circuit operating Voltage (ready to operate): - Type-C: 5 V @ 38.3 mA - BAT: 3.8 V @ 43.2 mA (with expansion board) Webcam Web application: Type-C: - Average power consumption: 5 V/138 mA - Photo moment: 5 V/341 mA Battery: - Average power consumption: 3.8 V/154 mA - Photo moment: 3.8 V/304 mA Microphone recording & SD card writing: Type-C: - Average power consumption: 5 V/46.5 mA - Peak power consumption: 5 V/89.6 mA Battery: - Average power consumption: 3.8 V/54.4 mA - Peak power consumption: 3.8 V/108 mA Charging battery current: 100 mA Low Power Consumption Model (Supply Power: 3.8 V) Modem Sleep Model: ~44 mA Light Sleep Model: ~5 mA Deep Sleep Model: ~3 mA Wi-Fi Enabled Power Consumption Active Model: ~ 110 mA (with expansion board) BLE Enabled Power Consumption Active Model: ~ 102 mA (with expansion board) Lieferumfang 1x XIAO ESP32S3 1x Plug-in-Kamera-Sensorplatine 1x Antenne Downloads GitHub

Lesen (+) (–)

Lösen realer Probleme mit eingebettetem maschinellem Lernen Edge AI verändert die Art und Weise, wie Computer mit der realen Welt interagieren, und ermöglicht es IoT-Geräten, Entscheidungen anhand von 99 % der Sensordaten zu treffen, die zuvor aufgrund von Kosten-, Bandbreiten- oder Leistungsbeschränkungen verworfen wurden. Mit Techniken wie dem eingebetteten maschinellen Lernen können Entwickler die menschliche Intuition erfassen und auf jedem Ziel einsetzen – von Mikrocontrollern mit extrem geringem Stromverbrauch bis hin zu eingebetteten Linux-Geräten. Dieser praktische Leitfaden bietet Ingenieuren, darunter Produktmanagern und Technologieführern, einen umfassenden Rahmen für die Lösung realer industrieller, kommerzieller und wissenschaftlicher Probleme mit Edge-KI. Sie erkunden jede Phase des Prozesses, von der Datenerfassung über die Modelloptimierung bis hin zu Optimierung und Tests, während Sie lernen, wie Sie Edge-KI- und eingebettete ML-Produkte entwerfen und unterstützen. Edge AI ist dazu bestimmt, ein Standardwerkzeug für Systemingenieure zu werden. Diese allgemeine Roadmap hilft Ihnen beim Einstieg. Entwickeln Sie Ihr Fachwissen in KI und ML für Edge-Geräte Verstehen Sie, welche Projekte sich am besten mit Edge-KI lösen lassen Entdecken Sie wichtige Designmuster für Edge-KI-Apps Lernen Sie einen iterativen Workflow für die Entwicklung von KI-Systemen Bilden Sie ein Team mit den Fähigkeiten, reale Probleme zu lösen Befolgen Sie einen verantwortungsvollen KI-Prozess, um effektive Produkte zu erstellen Downloads Errata GitHub

Lesen (+) (–)

Das Waveshare Jetson Nano Development Kit basiert auf den KI-Computern Jetson Nano (mit 16 GB eMMC) und Jetson Praktisch für die Aufrüstung des Kernmoduls. Durch die Nutzung der Leistungsfähigkeit des Kernmoduls eignet es sich für Bereiche wie Bildklassifizierung, Objekterkennung, Segmentierung, Sprachverarbeitung usw. und kann in verschiedenen KI-Projekten verwendet werden. Technische Daten GPU 128-core Maxwell CPU Quad-Core ARM A57 bei 1,43 GHz RAM 4 GB 64-Bit LPDDR4 25,6 GB/s Speicher 16 GB eMMC + 64 GB TF-Karte Video-Encoder 250 MP/s 1x 4K @ 30 (HEVC) 2x 1080p @ 60 (HEVC) 4x 1080p @ 30 (HEVC) Video-Decoder 500 MP/s 1x 4K @ 60 (HEVC) 2x 4K @ 30 (HEVC) 4x 1080p @ 60 (HEVC) 8x 1080p @ 30 (HEVC) Kamera 1x MIPI CSI-2 D-PHY-Lanes Konnektivität Gigabit Ethernet, M.2 Key E-Erweiterungsanschluss Display HDMI USB 1x USB 3.2 Gen 1 Typ A 2x USB 2.0 Typ A 1x USB 2.0 Micro-B Schnittstellen GPIO, I²C, I²S, SPI, UART Abmessungen 100 x 80 x 29 mm Lieferumfang 1x JETSON-NANO-LITE-DEV-KIT (Carrier + Nano + Kühlkörper) 1x AC8265 Dual-Mode NIC 1x Lüfter 1x USB-Kabel (1,2 m) 1x Ethernet-Kabel (1,5 m) 1x 5 V/3 A Netzteil (EU) 1x 64 GB TF-Karte 1x Kartenleser Dokumentation Wiki

Lesen (+) (–)

Dieses AI Edge Computing Development Kit basiert auf dem Jetson Orin Nano Modul und bietet umfangreiche Peripherieschnittstellen wie M.2, DP, USB usw. Dieses Kit enthält außerdem eine vorinstallierte drahtlose Netzwerkkarte AW-CB375NF, die Bluetooth 5.0 und Dualband-WIFI unterstützt, sowie zwei zusätzliche PCB-Antennen für eine schnelle und zuverlässige drahtlose Netzwerkverbindung und Bluetooth-Kommunikation. Technische Daten KI-Leistung 40 TOPS GPU 1024-Kern-GPU mit N-VIDIA Ampere-Architektur und 32 Tensor-Kernen GPU-Frequenz 625 MHz (maximal) CPU Arm Cortex-A78AE v8.2 64-Bit-CPU mit 6 Kernen, 1,5 MB L2 + 4 MB L3 CPU-Frequenz 1,5 GHz (maximal) RAM 8 GB 128-Bit LPDDR5, 68 GB/s Speicher 128 GB NVMe Solid State Drive Stromversorgung 7~15 W PCIE M.2 Key M-Steckplatz mit x4 PCIe Gen3 M.2 Key M-Steckplatz mit x2 PCIe Gen3 M.2 Key E-Steckplatz USB USB Typ-A: 4x USB 3.2 Gen2 USB Typ-C (UFP) CSI-Kamera 2x MIPI CSI-2 Kameraanschluss Videokodierung 1080p30 wird von 1–2 CPU-Kernen unterstützt Videodekodierung 1x 4K60 (H.265) 2x 4K30 (H.265) 5x 1080p60 (H.265) 11x 1080p30 (H.265) Anzeige 1x DisplayPort 1.2 (+MST)-Anschluss Schnittstellen 40-Pin-Erweiterungs-Header (UART, SPI, I²S, I²C, GPIO), 12-Pin-Tasten-Header, 4-Pin-Lüfter-Header, DC-Stromanschluss Netzwerk 1x GbE-Anschluss Abmessungen 103 x 90,5 x 34 mm Lieferumfang Waveshare Orin Nano Development Kit 1x Jetson Orin Nano Modul (8 GB) 1x JETSON-ORIN-IO-BASE 1x Lüfter 1x 128 GB NVMe Solid State Drive (montiert) 1x WLAN-Netzwerkkarte (montiert) 1x USB-A auf Typ-C-Kabel (1 m) 1x Ethernet-Kabel (1,5 m) 1x Jumper 1x Netzteil (EU) Dokumentation Wiki

Lesen (+) (–)