Was sind Vision Processing Units (VPUs)? Ein Blick auf die schöne neue Zukunft des Edge-Computing

Da die Technologie weiterhin in rasantem Tempo voranschreitet, fließen die Vorteile dieser Entwicklung kontinuierlich in immer mehr Bereiche ein, die unser Leben beeinflussen.
Dies gilt insbesondere für die Objekterkennung und das Deep Learning. Dabei handelt es sich um Computer, die erkennen können, dass das Foto, das Sie online gepostet haben, von Ihrer Katze stammt. Beispielsweise können sie auch einen winzigen Produktionsfehler am Fließband erkennen. Daten sind im IoT-Zeitalter das A und O. Je mehr Daten Sie sammeln und verarbeiten können, desto besser sind die Ergebnisse. Aber es gibt oft eine Grenze, wie viele Daten Sie verarbeiten können, wenn Sie versuchen, Systemkosten, Temperatur, Größe und Leistung in Einklang zu bringen. Möglicherweise ist es unrealistisch, einen großen Tower-PC mit einem Grafikprozessor für eine intensive Machine-Vision-Anwendung in einer Fertigungshalle einzusetzen. Jedoch verfügen kleinere Systeme nicht über die für diese Aufgabe erforderliche Leistung.Diese Kompromisse werden nun in Angriff genommen, da Innovation und Technologie neue Möglichkeiten für Machine Vision und Lernen zur Gesichts- und Objekterkennung geschaffen haben. Dazu gehören auch Vision Processing Units (VPU), also bildverarbeitende Prozessoreinheiten.

Einführung in die Vision Processing Units (VPUs)

VPUs arbeiten als Co-Prozessor, ähnlich wie ein Grafikprozessor. Damit wird der Zentralprozessor entlastet und einem effizienteren, anwendungsspezifischen integrierten Schaltkreis zugewiesen. Auf diese Weise können Systeme mit geringem Stromverbrauch die Frameworks Tensorflow von Google und Caffe von Facebook für die Objekt- und Gesichtserkennung und Machine Learning mit einem Stromverbrauch von nur 2 bis 3 Watt betreiben. Außerdem wird deutlich weniger Wärme erzeugt. Zum Vergleich: Typische Grafikprozessoren verbrauchen etwa 75 Watt Strom und benötigen eine aktive Kühlung, um effektiv zu arbeiten.

VPUs, wie diese Movidius-Karte (rechts), haben einen deutlichen Größen-, Leistungs- und Wärmevorteil gegenüber großen GPUs. Somit können sie in einer Reihe von lüfterlosen Industrie-PCs für Machine-Vision-Anwendungen eingesetzt werden.

Das heißt, Sie können ein extrem kompaktes und effizientes System wie unseren CL210G-11 so einrichten, dass es Machine-Vision- oder Lernanwendungen ausführt. Anschließend können Sie die Daten zur Aktualisierung an Ihr Modell zurücksenden.

Aufgrund der niedrigen Kosten und der guten Zugänglichkeit einer VPU kann diese skaliert werden, wenn Sie mehr Rechenleistung in Ihrer Anwendung hinzufügen. Außerdem hat dies den zusätzlichen Vorteil, dass mehr Daten am Edge verarbeitet werden, bevor sie in die Cloud übertragen werden. Dadurch werden die mit dem Cloud-Computing verbundenen Datenkosten reduziert.

Der CL210 nutzt die Vision-Fähigkeiten einer VPU in einem extrem kompakten und erschwinglichen System optimal aus.

Weiterentwicklung mit einer VPU

Laut Intel wird digitales Video bis Ende 2021 82 Prozent des Videoverkehrs ausmachen. Daneben wird der Umsatz mit Deep Learning bis 2025 auf 35,4 Milliarden Euro steigen. Daher bieten VPUs wie Movidius Entwicklern und Herstellern die Möglichkeit, dieses Wachstum mit erschwinglicher und effizienter Technologie zu nutzen. Gleichzeitig verbessern sie so das Leben ihrer Kunden.

OnLogic hat diese Entwicklung erkannt und damit begonnen, VPUs in unsere eigenen Systeme zu integrieren. So können wir verlässliche Edge-Plattformen anbieten, die diese Innovationen unterstützen. Außerdem bedeutet die Kombination von stromsparendem, lüfterlosem Computing mit den spezialisierten VPU-Modulen, dass es jetzt völlig neue Alternativen zu dem gibt, was früher ein heikles Spiel mit Kompromissen war.

Hier erfahren Sie mehr darüber, wie Beschleuniger wie VPUs die Möglichkeiten des Edge-Computing verändern. Sehen Sie sich auch unser Angebot an VPU-fähigen Computern an!

Bei Fragen wenden Sie sich gerne an unsere Lösungsspezialist:innen für eine persönliche Beratung.