Der Blätterkatalog benötigt Javascript.
Bitte aktivieren Sie Javascript in Ihren Browser-Einstellungen.
The Blätterkatalog requires Javascript.
Please activate Javascript in your browser settings.
und klassifizieren Bei den Daten aus dem Trainingssatz kann es sich um eine Sammlung von Bildern Sensordaten und Daten handeln die von einzelnen Nutzern eines Geräts gesammelt wurden Heute werden KIund ML-Algorithmen die mit Daten von IoT-Endgeräten arbeiten häufig auf Cloud-Servern ausgeführt Um jedoch die Echtzeitanforderungen eingebetteter Systeme zu erfüllen sollte die Ausführung des eigentlichen KI-Algorithmus auf das Edge-Gerät übertragen werden Dieser lokale Edge-Ansatz reduziert auch den Internetverkehr der andernfalls drastisch ansteigen würde wenn Milliarden von IoT-Endpunktsystemen für die Ausführung von KI-Algorithmen von der Cloud abhängen Variable Ressourcenanforderungen Die Rechenanforderungen für Algorithmen des maschinellen Lernens können stark variieren je nach Art des Algorithmus der Größe des Datensatzes der für das Training des Modells erforderlich ist und der Gesamtkomplexität des Problems Daher bietet Arm eine breite Palette von optimierten Prozessoren an die auf Anwendungen des maschinellen Lernens auf Edge-Geräten ausgerichtet sind Bild 1 Selbst der kleinste Arm-Prozessor der Cortex-M0 M0+-Prozessor führt einfache ML-Algorithmen aus So ist beispielsweise ein vorausschauendes Wartungssystem das Sensordaten nutzt mit diesem Prozessortyp möglich Ab dem Cortex-M4 bieten die Prozessoren Hardware-Gleitkomma-Arithmetik und SIMD-Befehle die DSPund einfache maschinelle Lernalgorithmen beschleunigen Mit solchen Prozessoren können Sensorfusion-Anwendungen realisiert werden Das sind Szenarien bei denen eine Kombination aus verschiedenen Sensordatenquellen zusammengeführt und ausgewertet werden Die Cortex-M55-und Cortex-M85-Prozessoren erweitern die Architektur um Helium-Vektorbefehle [2] die anspruchsvollere ML-Algorithmen ermöglichen wie sie für die Erkennung von Schlüsselwörtern in der Sprache oder von Objekten und Anomalien erforderlich sind Für anspruchsvollere Anwendungen umfasst das Arm-Portfolio die Ethos-Serie [3] neuronaler Netzwerkprozessoren die Mali-Grafikprozessoren und die Cortex-A-Prozessoren Dieser Beitrag konzentriert Als autorisierter Distributor führender Softwaremarken und mit unserer langjährigen Erfahrung in der Integration von Software in unsere eigenen Hardwareprodukte verfügen wir über ein tiefes Verständnis im Bereich der AIoT-Entwicklung Unsere Software-Experten helfen Embedded-Entwicklern Designaufwand und Projektkomplexität zu reduzieren um Produktentwicklung und Timeto-Market zu beschleunigen Von der Lizenzberatung bis zu Anpassungsservices – wir unterstützen Sie dabei Ihre maßgeschneiderte IoT-Softwarelösung zu finden Sprechen Sie mit unseren Experten 00800-2426-8081 oder embedded@advantech eu www advantech eu | buy advantech eu Ihr führender IoT Software Distributor Lösungen von On-Premise bis Cloud Weltmarktführer für Embedded Computing 15 Standorte in Europa Tabelle 1 Relative Rechenleistung unterschiedlich großer Datentypen bei gleicher CPU-Taktfrequenz Tabelle 2 Interferenz pro Sekunde bei einer Tiny-ML-Anomalieerkennung bei gleicher CPU-Taktfrequenz Tabelle 3 Relative Energieeffizienz für verschiedene Datentypen bei gleicher CPU-Taktfrequenz Datentyp Cortex-M4 Cortex-M55 Cortex-M85 Festkomma Q31 1 1 85 2 40 Festkomma Q15 1 2 04 2 65 Festkomma Q7 1 5 07 6 59 Fließkomma F32 1 1 32 1 72 Fließkomma F16 1 6 01 7 93 Prozessor Cortex-M4 Cortex-M55 Cortex-M85 Festkomma Q31 248 1375 1518 Datentyp Cortex-M4 Cortex-M55 Cortex-M85 Festkomma Q31 1 2 47 3 08 Festkomma Q15 1 2 31 2 88 Festkomma Q7 1 5 43 6 78 Fließkomma F32 1 1 39 1 73 Fließkomma F16 1 6 81 8 51