Publication: AIoT: a Kendryte K210 proof of concept
Loading...
Official URL
Full text at PDC
Publication Date
2020
Authors
Advisors (or tutors)
Editors
Journal Title
Journal ISSN
Volume Title
Publisher
Citations
Exportar
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 Ćŗltimos tiempos, estĆ” virando hacia el despliegue de infraestructuras inteligentes gracias a la Inteligencia Artificial. Con la creaciĆ³n 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 estĆ” producido por Canaan y contiene un KPU, un acelerador hardware de propĆ³sito especĆfico para redes neuronales, que permite la inferencia de redes neuronales profundas en placas pequeƱas y baratas en las que estĆ” integrado. En este trabajo se aborda el estudio y la implementaciĆ³n de una red neuronal para la detecciĆ³n de personas que se implementarĆ” en un Kendryte K210. La detecciĆ³n de personas es interesante por su versatilidad de uso: puede usarse integrada en una cĆ”mara de seguridad o para contar a las personas que se encuentran en un entorno. AdemĆ”s, es Ćŗtil poder implementar una detecciĆ³n 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 tĆ©cnicas mĆ”s avanzadas para la detecciĆ³n de objetos, hablando de las que logran mejores resultados y que son mĆ”s adecuadas para el uso en un coprocesador de bajo consumo. A continuaciĆ³n, discutimos las capacidades del K210, con una descripciĆ³n general de su hardware y su soporte de software, especificando cĆ³mo se debe modelar una red neuronal para que se ejecute en el K210. Concluimos afirmando que un posible enfoque para la detecciĆ³n de personas en el K210 es desarrollar una red Yolo V2 utilizando MobileNet como feature extractor, y discutimos cĆ³mo se ha realizado el entrenamiento de la red neuronal, quĆ© problemas se han encontrado durante el proceso y cĆ³mo han sido resueltos.
Internet de las Cosas ha dejado de ser una fuente de datos: en los Ćŗltimos tiempos, estĆ” virando hacia el despliegue de infraestructuras inteligentes gracias a la Inteligencia Artificial. Con la creaciĆ³n 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 estĆ” producido por Canaan y contiene un KPU, un acelerador hardware de propĆ³sito especĆfico para redes neuronales, que permite la inferencia de redes neuronales profundas en placas pequeƱas y baratas en las que estĆ” integrado. En este trabajo se aborda el estudio y la implementaciĆ³n de una red neuronal para la detecciĆ³n de personas que se implementarĆ” en un Kendryte K210. La detecciĆ³n de personas es interesante por su versatilidad de uso: puede usarse integrada en una cĆ”mara de seguridad o para contar a las personas que se encuentran en un entorno. AdemĆ”s, es Ćŗtil poder implementar una detecciĆ³n 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 tĆ©cnicas mĆ”s avanzadas para la detecciĆ³n de objetos, hablando de las que logran mejores resultados y que son mĆ”s adecuadas para el uso en un coprocesador de bajo consumo. A continuaciĆ³n, discutimos las capacidades del K210, con una descripciĆ³n general de su hardware y su soporte de software, especificando cĆ³mo se debe modelar una red neuronal para que se ejecute en el K210. Concluimos afirmando que un posible enfoque para la detecciĆ³n de personas en el K210 es desarrollar una red Yolo V2 utilizando MobileNet como feature extractor, y discutimos cĆ³mo se ha realizado el entrenamiento de la red neuronal, quĆ© problemas se han encontrado durante el proceso y cĆ³mo han sido resueltos.
Description
MƔster en Internet de las Cosas, Facultad de InformƔtica UCM, Departamento de Arquitectura de Computadores y AutomƔtica, Curso 2019/2020.