Mit dem zunehmenden Fokus auf „AI on the Edge“ werden Entwickler vor neue Herausforderungen gestellt. Während bisherige Machine Learning Tools für den Einsatz auf skalierbaren Servern ausgerichtet waren, rücken beim Übergang zu Embedded Systemen Überlegungen zur effizienten Ressourcenverwendung in den Vordergrund. Damit werden neue HW Elemente und neue Werkzeuge nötig, die zusammen den Entwickler bei der Umsetzung von Embedded Machine Learning unterstützen.

Inhalt:

1. KI-Produkt mit der Lösung von XILINX

Abstract:

In Embedded Architekturen, wie zum Beispiel FPGAs, werden Integer Operationen mit geringerem Ressourcenverbrauch und höherer Performance berechnet, als Fließkommaberechnungen. Um trainierte Netze von bekannten Machine Learning Frameworks wie PyTorch, TensorFlow oder Caffe mit deren Ausgangsnetzen in Floating Point Operationen auf Edge Devices zu portieren, benötigt man Hersteller spezifische Tools.

In diesem Vortrag zeigen wir Ihnen die notwendigen Schritte, um eine AI Applikation auf einem Xilinx Zynq UltraScale+ Edge Device zu erstellen und demonstrieren das Ergebnis mit einer Video-Objekterkennung. Ausgangslage ist hierbei ein bereits mit dem TensorFlow 2.x trainiertes Netz.

Folgende Schritte werden betrachtet:
- Quantifizierung des TF2 Netzes
- Kompilierung des quantifizierten Netzes
- Einbindung des kompilierten Netzes in ein Edge C++ Applikation
- Demonstration der Ergebnisse

Referent: Marco Höfle

Embedded und Machine Learning Specialist bei Avnet-Silica Beschäftigt sich im beruflichen Umfeld seit seiner Diplomarbeit mit Xilinx FPGAs. Leitete vor seiner Tätigkeit bei Avnet-Silica die Entwicklungsabteilung eines Ingenieurbüros. Neben Xilinx und Embedded Technologien interessieren Ihn diverse Open Source Projekte, vor allem im Bereich Smart Home.

 

2. KI-Produkt mit der Lösung von NXP

Abstract:

Mit dem zunehmenden Fokus auf „AI on the Edge“ werden Entwickler vor neue Herausforderungen gestellt. Während bisherige Machine Learning Tools für den Einsatz auf skalierbaren Servern ausgerichtet waren, rücken beim Übergang zu Embedded Systemen Überlegungen zur effizienten Ressourcenverwendung in den Vordergrund. Damit werden neue HW Elemente und neue Werkzeuge nötig, die zusammen den Entwickler bei der Umsetzung von Embedded Machine Learning unterstützen.

Beispielhaft für diese neue Generation von Embedded ML Plattformen betrachten wir in diesem Vortrag das Zusammenspiel von NXPs i.MX 8M Plus mit dem neuen eIQ™ Portal.

Referent: Dr. Nicolas Lehment

Dr. Nicolas Lehment ist der System Architekt von NXPs „Industrial Systems Innovation“ Gruppe. Hier begleitet er Projekte im Bereich der künstlichen Intelligenz, der funktionalen Sicherheit und der Connectivity im Umfeld der Industriellen Automatisierungstechnik. Vor seiner Tätigkeit bei NXP forschte er an Themen der Computer Vision, der Kollaborativen Robotik und der Augmentierten Realität.

 

Die Veranstaltung ist als Online Veranstaltung geplant.
Datum: 30.09.2021
Uhrzeit: 17:00 - 18:30 Uhr
Mit der Anmeldebestätigung erhalten Sie einen Link zum Zoom-Meeting.

 









empty