3 наймодніші набори AI 2017 року - Швидкий посібник з набору Google Vision, DeepLens & BerryNet

Останні кілька тижнів були дуже хвилюючими для нас. Amazon представила першу відеокамеру з глибоким навчанням - DeepLens. Google оголосив про свій останній проект AIY - Vision Kit. У DT42 ми завжди вважаємо, що глибоке навчання на крайніх пристроях - це ключ до майбутнього. Ми також вважаємо, що в технології AI не повинні домінувати лише великі технічні гіганти, але вони доступні для всіх. Саме тому ми випустили проект BerryNet [1] півроку тому. BerryNet - це перший проект AOS Gateway FLOSS, який випустив потужність AI на крайніх пристроях.

За допомогою цих трьох останніх дивовижних підключень бачення AI - або, слід сказати, іграшок, ви можете створити власний проект, використовуючи AI, щоб вирішити свою проблему у своєму житті. Скажімо, якщо ви хочете створити камеру оповіщення про мавп, щоб запобігти мавпам возитися на задньому подвір’ї та з’їсти всі ваші фрукти. Які дії потрібно зробити, використовуючи Google AIY Vision Kit, DeepLens або BerryNet?

Тут ми хочемо зробити коротку інструкцію.

Малюнок 1. Система сигналізації мавп

На малюнку 2 наведена коротка ілюстрація обладнання та програмного забезпечення, яким ви будете займатися, використовуючи різні інструменти.

Малюнок 2. Основні компоненти сигналізації

Вся сигналізація Monkey включає п'ять основних компонентів: приймач даних: камера

(a) Одержувач даних: камера
(b) Обчислювальне обладнання: ключовий апаратний компонент для обчислення тензорів
(c) Програмне забезпечення: включаючи бібліотеки глибокого навчання та операційну систему, що працює на локальному обладнанні.
(d) Модель AI: модель глибокого навчання, яка використовується для аналізу вхідних даних
(e) Система спрацювання тривоги: доставляє користувачам результати виявлення

Далі ми пояснимо більше кроків, використовуючи три інструменти окремо.

Комплект бачення Google AIY

Малюнок 3. Компоненти системи, що використовують набір для бачення

Обладнання, яке потрібно підготувати: Pi camera 2 (a), комплект Vision (b), Raspberry Pi zero w.

Кроки:
 1 - Зберіть комплект, дотримуючись інструкцій на веб-сайті AIY Project [2], і завантажте зображення (3) на SD-карту.
 2 - Навчіть модель глибокого навчання як детектор мавп (d) та складіть її,
 3 - Завантажте підготовлену модель у VisionBonnet, щоб побудувати виявлення мавп
 4 - Використовуйте SDK для створення триггера тривоги та керування ним через додаток Android.

У випадку, якщо об’єкт, який ви хочете виявити, вже в комплекті із зображенням, ви можете просто пропустити крок 2.

AWS DeepLens

Малюнок 4. Компоненти системи, що використовує DeepLens

Обладнання, яке потрібно підготувати: AWS DeepLens, сюди входять компоненти (a), (b) і (c)

Кроки:
 1 - Реєстрація, підключення та налаштування DeepLens в Інтернеті.
 2 - Використовуйте AWS SageMaker для підготовки моделі виявлення мавп (d).
 2.1 Створіть "проект виявлення мавп" на консолі DeepLens
 2.2 Імпортуйте модель, підготовлену на кроці 2.1, і розгорніть проект у DeepLens
 3 - Використовуйте консоль управління AWS для побудови тригера тривоги (e).

Використовуючи AWS DeepLens, на відміну від двох інших наборів, вам не потрібно самостійно готувати все обладнання. Однак це також обмежувало гнучкість.

BerryNet

Малюнок 5. Компоненти системи, що використовує BerryNet

Обладнання, яке потрібно підготувати: Raspberry Pi 3 (b), IP / Nest / Pi камера (a). Ви також можете придбати наклейку для нейронних обчислень Movidius для кращої роботи з висновками. Кроки:

1 - Навчити модель глибокого навчання як детектор грошей (d)
 2 - Встановіть і налаштуйте BerryNet (c) за допомогою навченої моделі на Raspberry Pi
 3 - Налаштуйте вхідний клієнт як приймач даних (може бути пікамера, IP-камера або навіть камера Nest) та вивести клієнт як тригер сигналу.

В даний час навчання моделей вимагає від користувачів налаштування середовища вручну. Наприклад, перейшовши на веб-сайт YOLO [3] для навчання детектора мавп. Незабаром нова послуга Epeuva [4], яка допоможе клієнтам навчити цю модель. Клацніть, щоб зареєструватися для раннього запрошення.

На Epeuva ви можете приносити власні дані та індивідуальні моделі AI без жодних зусиль із кодування. Повторивши крок 1, користувачі легко будують потрібну систему виявлення.

Ми передбачаємо світ, де глибоке навчання та інтелектуальний інтелект будуть демократизовані для кожного та кожного пристрою. Проект BerryNet має ліцензію на GPL, оскільки ми хочемо взяти AI з веж із слонової кістки та зробити його доступним для всіх.

Обчислювальна техніка пройшла величезними циклами, переходячи від централізованого до розподіленого та знову. Ми вважаємо, що кращий AI є ключовим фактором для розробки більш корисних програм у найближчому майбутньому.

[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