Praxistest: Erste ML-Experimente mit Google Coral und TensorFlow Lite
Mit dem Google Coral USB-Stick und seiner Edge TPU lassen sich auf PC, Raspi & Co ML-Projekte massiv beschleunigen – ein Einstieg mit Praxisprojekt.
- Michael Plura
Einige Raspberry-Pi-Projekte benutzen Machine Learning, um Objekte, Sprache oder Gesten zu erkennen oder Daten mithilfe neuronaler Netze zu verarbeiten. Will man "KI-Anwendungen" in Form von Deep- oder Machine-Learning (DL, ML) im IoT-Bereich beispielsweise auf einem alten Laptop, einem Raspberry Pi oder anderen "Single Board-Computern" (SBC) laufen lassen, stößt man aber schnell an die Grenzen der Rechenleistung. Eine Gesichts- oder Objekterkennung über eine Kamera läuft beispielsweiseauf dem Raspi gerade so im Zeitlupentempo. Für Experimente in diesem Bereich und ein "Proof-of-Concept" mag das reichen, für den Praxiseinsatz allerdings nicht.
Es gibt aber Abhilfe: Raspi, PC & Co. lassen sich mit Spezialchips für ML-Anwendungen erweitern. Der im Folgenden verwendete Google Coral USB3-Stick (ab 70 €) beschleunigt die Objekterkennung auf einem Raspberry Pi mit Kamera von schlaffen 3 - 5 auf über 30 Bilder pro Sekunde. In diesem Artikel werfen wir einen Blick auf das technische Innenleben des Sticks und ermitteln anhand eines Beispielprojekts exemplarisch, was der Stick leisten kann.
TensorFlow Lite
Doch Hardware allein reicht nicht, es braucht auch die passende Software. Die Liste für ML-Anwendungen ist lang, in der Regel setzt man hier beispielsweise auf PyTorch, Scikit und vor allem TensorFlow. Letzteres nutzen wir in der Lite-Version für diesen Artikel. Bei TensorFlow handelt es sich um ein von Google entwickeltes Framework zur datenstromorientierten Programmierung. Den Begriff "Tensor" könnte man als Verallgemeinerung von Skalar, Vektor und Matrix betrachten. Google benutzt TensorFlow bei der Spracherkennung, GMail, Google Translate, Google Fotos, Google Maps und natürlich der Google Suche. TensorFlow ist in Python und C++ geschrieben und unterstützt neben diesen beiden Programmiersprachen auch Go, Java/JavaScript, Haskel, Rust und einige mehr.
Das war die Leseprobe unseres heise-Plus-Artikels "Praxistest: Erste ML-Experimente mit Google Coral und TensorFlow Lite". Mit einem heise-Plus-Abo können sie den ganzen Artikel lesen und anhören.