Wat zijn Video Processing Units (VPU’s)? Een blik op de interessante toekomst van Edge Computing

Technologie blijft zich in een snel tempo ontwikkelen. De voordelen van deze ontwikkeling sijpelen continu door en worden geïntegreerd in allerhande dingen die van invloed zijn op ons leven. Ook op het gebied van Video Processing Units zijn er veel ontwikkelingen, lees er hier meer over.

Dit geldt met name voor objectherkenning en deep learning; computers die kunnen begrijpen dat de foto die je online hebt geplaatst van je kat was, of die een minuscuul fabricagefoutje op een lopende band detecteren.

Het hebben van data betekent macht in het IoT-tijdperk. Hoe meer data je kunt verzamelen en verwerken, hoe beter de resultaten. Maar er is vaak een limiet aan de hoeveelheid data die je kunt verwerken wanneer je systeemkosten, temperatuur, grootte en prestaties in evenwicht probeert te houden. Een grote tower-pc met een GPU waarop een intensieve Machine Vision is ingesteld, is misschien niet realistisch op een productievloer. Maar kleinere systemen bieden niet de prestaties die voor de taak vereist zijn.

Deze compromissen beginnen langzaam te verdwijnen. Innovatie en technologie hebben nieuwe manieren gecreëerd om Machine Vision en Machine Learning voor gezichts- en objectherkenning aan te pakken.

Vision Processing Units (VPU’s)

VPU’s werken als een co-processor, vergelijkbaar met een GPU. Ze ontlasten de centrale processor door werk toe te wijzen aan een efficiënter, toepassingsspecifiek geïntegreerd circuit. Hierdoor kunnen systemen met een laag vermogen Google Tensorflow en Facebook Caffe-frameworks uitvoeren. Zowel voor object- en gezichtsherkenning als voor Machine Learning. Daarbij genereren ze aanzienlijk minder warmte, gezien het beperkte vermogen van 2 tot 3 watt. Ter vergelijking: doorsnee GPU’s gebruiken ongeveer 75 watt aan stroom en hebben actieve koeling nodig om effectief te kunnen werken.

VPU’s zoals deze Movidius-kaart (rechts), hebben een duidelijk voordeel ten opzichte van grote GPU’s, op het gebied van formaat, vermogen en temperatuur. Ze passen in allerlei industriële fanless systemen voor Machine Vision-toepassingen.

Dit betekent dat je een uiterst compact en efficiënt systeem, zoals onze CL210G-11, kunt gebruiken voor Machine Vision- of Machine Learning-toepassingen.

Vanwege de lage kosten en toegankelijkheid van een VPU kan deze worden opgeschaald naarmate je meer rekenkracht toevoegt aan je toepassing. Dit heeft ook het extra voordeel dat meer data aan de edge wordt verwerkt voordat het naar de cloud wordt verzonden. Hierdoor worden de datakosten die met cloudcomputing gepaard gaan verlaagd.

De CL210 maakt goed gebruik van de Vision-mogelijkheden van een VPU in een extreem compact en betaalbaar systeem.

Vooruitgang met VPU’s

Volgens Intel zal digitale video in 2021 82% van het videoverkeer uitmaken. De inkomsten uit Deep Learning zullen groeien tot $ 39,9 miljard in 2025. VPU’s als Movidius bieden ontwikkelaars en bouwers de mogelijkheid om van die groei gebruik te maken. Dit doen ze onder meer met meer betaalbare en efficiënte technologie, wat de levens van hun klanten verbetert.

OnLogic volgt deze ontwikkeling en is begonnen met de integratie van VPU’s in onze eigen systemen. Zo maken we innovatie mogelijk en bieden we betrouwbare edge-platforms. De combinatie van energiezuinige, fanless computers met de gespecialiseerde VPU-modules betekent dat er nu volledig nieuwe alternatieven zijn voor wat ooit een delicaat spel van compromissen was.

Klik hier voor meer informatie over hoe versnellers zoals Video Processing Units de mogelijkheden van edge computing veranderen. Klik hier en ontdek onze reeks VPU-compatibele computers.