Publication:
AIoT: a Kendryte K210 proof of concept

Loading...
Thumbnail Image
Official URL
Full text at PDC
Publication Date
2020
Editors
Journal Title
Journal ISSN
Volume Title
Publisher
Citations
Google Scholar
Research Projects
Organizational Units
Journal Issue
Abstract
The Internet of Things is no longer a data source: in recent times, it is moving towards the deployment of Intelligent infrastructures thanks to the Artificial Intelligence. With the creation of new Systems-on-a-chip that able the Deep Learning on the edge, this technology has stopped being called IoT and it is being referred as AIoT: Artificial Intelligence of Things. One of these new Systems-on-a-chip that enable the Deep Learning on the edge, is the processor Kendryte K210. The Kendryte K210 is produced by Canaan and it contains a KPU, a neural network hardware accelerator, that allows the inference of deep neural networks on small and cheap commodity devices on which it is integrated. This work deals with the study and implementation of a neural network for person detection to be implemented on a Kendryte K210. Person detection is interesting because of its versatility of use: it may be used integrated on a security camera or to count the persons met in an environment. Also, it is useful being able to deploy a low-cost person detector without the need for powerful hardware or constant communications with the cloud. For that reason, the most advanced techniques techniques for object detection are analyzed, talking about the ones that achieve better results and are more suitable for the usage in a low-consumption co-processor. Then, we discuss the K210 capabilities, with an overview of its hardware and its software support, specifying how a network should be modelled to be run on the K210. We conclude stating that one possible approach for person detection on the K210, is to develop a Yolo V2 network using MobileNet as feature extractor and we discuss how the training has been done, what problems have been met during the process and how they have been solved.
Internet de las Cosas ha dejado de ser una fuente de datos: en los últimos tiempos, está virando hacia el despliegue de infraestructuras inteligentes gracias a la Inteligencia Artificial. Con la creación de nuevos sistemas en chip que permiten de utilizar el aprendizaje profundo en el edge, se ha dejado de hablar de IoT, para pasar a referimos a AIoT: Inteligencia Artificial de las Cosas. Uno de estos nuevos sistemas en chip, que permite el aprendizaje profundo en el edge, es el procesador Kendryte K210. El Kendryte K210 está producido por Canaan y contiene un KPU, un acelerador hardware de propósito específico para redes neuronales, que permite la inferencia de redes neuronales profundas en placas pequeñas y baratas en las que está integrado. En este trabajo se aborda el estudio y la implementación de una red neuronal para la detección de personas que se implementará en un Kendryte K210. La detección de personas es interesante por su versatilidad de uso: puede usarse integrada en una cámara de seguridad o para contar a las personas que se encuentran en un entorno. Además, es útil poder implementar una detección de personas de bajo costo sin la necesidad de un hardware potente y sin la necesidad de realizar comunicaciones constantes con la nube. Para ello, en primer lugar se analizan las técnicas más avanzadas para la detección de objetos, hablando de las que logran mejores resultados y que son más adecuadas para el uso en un coprocesador de bajo consumo. A continuación, discutimos las capacidades del K210, con una descripción general de su hardware y su soporte de software, especificando cómo se debe modelar una red neuronal para que se ejecute en el K210. Concluimos afirmando que un posible enfoque para la detección de personas en el K210 es desarrollar una red Yolo V2 utilizando MobileNet como feature extractor, y discutimos cómo se ha realizado el entrenamiento de la red neuronal, qué problemas se han encontrado durante el proceso y cómo han sido resueltos.
Description
Máster en Internet de las Cosas, Facultad de Informática UCM, Departamento de Arquitectura de Computadores y Automática, Curso 2019/2020.
Keywords
Citation