
Ceva met l’apprentissage automatique à la portée des systèmes embarqués basse consommation Spécialiste des cœurs et des blocs d’IP pour DSP avec un focus sur les technologies de vision, de communication, de connectivité et audio, la société Ceva a développé un framework logiciel pour réseaux de neurones ...temps réel dont l’objectif avoué est d’accélérer le déploiement de technologies d’apprentissage automatique (machine learning en anglais) au sein-même de systèmes embarqués basse consommation. Baptisé CDNN (Ceva Deep Neural Network), ce framework s’appuie sur les capacités de traitement du DSP dédié imagerie et vision Ceva-XM4 et permet, selon la société, d’effectuer des tâches d’apprentissage « profond » (deep learning) trois fois plus rapidement que les systèmes à base de processeurs graphiques GPU tout en consommant 30 fois moins d’énergie et en sollicitant 15 fois moins de bande passante mémoire. A titre d’exemple, l’exécution d’un algorithme de détection de piétons sur le framework CDNN et sur un processeur gravé en technologie 28 nm consommerait moins de 30 mW lors du traitement d’un flux vidéo 1080p à 30 images/s. Selon Ceva, ce niveau de performances est atteint grâce au Ceva Network Generation, une technologie automatisée et propriétaire qui est capable de convertir la structure et les poids synaptiques d’un réseau de neurones "préentraîné" d’un utilisateur en un modèle personnalisé utilisable en temps réel et ce avec une dégradation de la précision inférieure à 1% par rapport au modèle original. Une fois le réseau de neurones personnalisé et prêt à être embarqué, il s’exécute sur le DSP Ceva-XM4 en mettant en œuvre des couches, des bibliothèques logicielles et des API de réseaux de neurones convolutionnels (CNN) optimisées. Le framework logiciel CDNN est fourni sous la forme de code source en tant qu’extension du kit de développement applicatif (ADK) existant pour le DSP Ceva-XM4. Il peut être utilisé avec différents réseaux et structures de réseaux de neurones propriétaires ou développés avec les frameworks de formation Caffe, Torch ou Theano. Les applications envisagées vont de la reconnaissance d’objets et de scènes aux systèmes d’assistance évoluée à la conduite automobile (ADAS) en passant par l’intelligence artificielle, l’analyse vidéo, la réalité augmentée, la réalité virtuelle et la vision industrielle.

Ceva met l’apprentissage automatique à la portée des systèmes embarqués basse consommation

Spécialiste des cœurs et des blocs d’IP pour DSP avec un focus sur les technologies de vision, de communication, de connectivité et audio, la société Ceva a développé un framework logiciel pour réseaux de neurones ...temps réel dont l’objectif avoué est d’accélérer le déploiement de technologies d’apprentissage automatique (machine learning en anglais) au sein-même de systèmes embarqués basse consommation. Baptisé CDNN (Ceva Deep Neural Network), ce framework s’appuie sur les capacités de traitement du DSP dédié imagerie et vision Ceva-XM4 et permet, selon la société, d’effectuer des tâches d’apprentissage « profond » (deep learning) trois fois plus rapidement que les systèmes à base de processeurs graphiques GPU tout en consommant 30 fois moins d’énergie et en sollicitant 15 fois moins de bande passante mémoire. A titre d’exemple, l’exécution d’un algorithme de détection de piétons sur le framework CDNN et sur un processeur gravé en technologie 28 nm consommerait moins de 30 mW lors du traitement d’un flux vidéo 1080p à 30 images/s. Selon Ceva, ce niveau de performances est atteint grâce au Ceva Network Generation, une technologie automatisée et propriétaire qui est capable de convertir la structure et les poids synaptiques d’un réseau de neurones "préentraîné" d’un utilisateur en un modèle personnalisé utilisable en temps réel et ce avec une dégradation de la précision inférieure à 1% par rapport au modèle original. Une fois le réseau de neurones personnalisé et prêt à être embarqué, il s’exécute sur le DSP Ceva-XM4 en mettant en œuvre des couches, des bibliothèques logicielles et des API de réseaux de neurones convolutionnels (CNN) optimisées. Le framework logiciel CDNN est fourni sous la forme de code source en tant qu’extension du kit de développement applicatif (ADK) existant pour le DSP Ceva-XM4. Il peut être utilisé avec différents réseaux et structures de réseaux de neurones propriétaires ou développés avec les frameworks de formation Caffe, Torch ou Theano. Les applications envisagées vont de la reconnaissance d’objets et de scènes aux systèmes d’assistance évoluée à la conduite automobile (ADAS) en passant par l’intelligence artificielle, l’analyse vidéo, la réalité augmentée, la réalité virtuelle et la vision industrielle.