Pátek , 27 Červen 2025
Domů Programování Coral USB Accelerator & TensorFlow.js
ProgramováníStrojové učeníUmělá inteligence

Coral USB Accelerator & TensorFlow.js

blank
blank

Coral USB Accelerator je zařízení od společnosti Google, které umožňuje rychlejší provádění strojového učení pomocí Tensor Processing Unit (TPU). Ačkoli TensorFlow.js je knihovna navržená pro spuštění strojového učení v JavaScriptu, Coral USB Accelerator nativně nepodporuje TensorFlow.js.

Nicméně je možné vytvořit propojení mezi Coral USB Acceleratorem a TensorFlow.js prostřednictvím následujícího procesu:

  1. Vytvořte a natrénujte model v TensorFlow (Python) a konvertujte ho do formátu, který může být použit s Edge TPU (Coral USB Accelerator).
  2. Použijte Python API pro práci s modelem na zařízení Coral USB Accelerator.
  3. Vytvořte REST API nebo WebSocket server, který komunikuje s modelem na Coral USB Accelerator pomocí Python API.
  4. Vytvořte webovou aplikaci s TensorFlow.js a komunikujte s REST API nebo WebSocket serverem pro získání výsledků inferencí.

Následující je příklad Python kódu, který ukazuje jak použít Coral USB Accelerator s TensorFlow Lite modely:

import argparse
import numpy as np
from PIL import Image
from tflite_runtime.interpreter import Interpreter, load_delegate

def load_tflite_model(model_path, delegates=[]):
    interpreter = Interpreter(model_path, experimental_delegates=delegates)
    interpreter.allocate_tensors()
    return interpreter

def process_image(image_path, input_shape):
    img = Image.open(image_path).resize(input_shape)
    img_array = np.asarray(img).astype('float32')
    return img_array

def main():
    parser = argparse.ArgumentParser()
    parser.add_argument('model_path', help='Path to the TFLite model')
    parser.add_argument('image_path', help='Path to the input image')
    args = parser.parse_args()

    model_path = args.model_path
    image_path = args.image_path

    delegates = [load_delegate('libedgetpu.so.1')]
    interpreter = load_tflite_model(model_path, delegates)
    input_shape = interpreter.get_input_details()[0]['shape'][1:3]

    input_tensor = process_image(image_path, input_shape)
    interpreter.set_tensor(interpreter.get_input_details()[0]['index'], input_tensor)
    interpreter.invoke()

    output_data = interpreter.get_tensor(interpreter.get_output_details()[0]['index'])
    print('Output:', output_data)

if __name__ == '__main__':
    main()

Výše uvedený kód načte TensorFlow Lite model a spustí inferenci s vstupním obrazem na Coral USB Accelerator. Pro spuštění kódu uložte jej do souboru s názvem coral_inference.py a spusťte následující příkaz:

python coral_inference.py /path/to/tflite_model /path/to/input_image

Nyní můžete vytvořit REST API nebo WebSocket server pro komunikaci s modelem a poté propojit s TensorFlow.js webovou aplikací.

Související články

blank
Strojové viděníUmělá inteligence

Strojové vidění & AI v průmyslu: Moderní řešení výroby a kontroly kvality

📸 ÚvodStrojové vidění ve spojení s umělou inteligencí (AI) mění průmyslové provozy:...

blank
Kvantové počítačeStrojové učeníUmělá inteligence

Kvantové strojové učení

⚛️ Úvod do kvantového strojového učeníKvantové strojové učení (Quantum Machine Learning, QML)...

blank
ProgramováníStrojové učeníUmělá inteligence

Neuromorfní čipy vs. GPU/TPU

Top články Neuromorfní čipy vs. GPU/TPU 19. 6. 2025 Edge-AI v IoT:...

blank
Umělá inteligence

Edge-AI v IoT: Výzvy a řešení pro inteligentní zařízení

🌐 Co je Edge-AI v IoT?Edge-AI kombinuje umělou inteligenci (AI) a Internet...