KI in Embedded-Vision-Systeme einfügen
»Wir optimieren neuronale Netze für Embedded-Vision-Systeme«
Fortsetzung des Artikels von Teil 1
Neuronale Netze übersichtlicher machen
Was bedeutet hier „Daten labeln“?
Daten labeln bedeutet beispielsweise, dass wir eine ROI-Box um bestimmte Objekte auf einem Bild zeichnen. Diese Regions of Interest werden kategorisiert oder eindeutig benannt, damit das neuronale Netz genau das gewünschte Verhalten lernt. So könnte man eine Box um einen Menschen mit den Labeln: Person, männlich und Alter zwischen 25 und 35 Jahren versehen. Das neuronale Netz lernt dann, wie ein Mensch mit genau diesen Attributen auf einem Bild aussieht. Bei manchen Applikationen ist es wichtig, pixelgenau zu labeln, damit beispielsweise die Bewegungsrichtung eines Menschen richtig erkannt werden kann. Es gibt jedoch noch weitere Möglichkeiten des Labelings, abhängig davon, welche Ergebnisse man von der KI erwartet.
Wie lassen sich bestehende neuronale Netze für Embedded-Vision-Systeme reduzieren?
Zum Optimieren neuronaler Netze gibt es plattformspezifische Experten-Software. Ein neuronales Netz besteht aus vielen verschiedenen Layern, die wiederum diverse Knoten haben – typisch sind etwa 20 bis 150 Layer mit fast beliebig vielen Knoten. Wenn man feststellt, dass bestimmte Layer für die gewünschte Aufgabe nicht verwendet werden, kann man sie sogar komplett herausnehmen. Darüber hinaus werden Modellparameter und neuronale Knoten zusammen durch fixe numerische Werte ersetzt, die sich durch die jeweilige Zielplattform entsprechend effizient verarbeiten lassen.
Die Framos-Gruppe baut auf eine Holding-Struktur. Auf welchen Säulen fußt diese?
Die Gruppe besteht aus drei Einheiten: dem Komponentengeschäft, dem Embedded Engineering und den Software-Lösungen. Das klassische Komponentengeschäft ist das Kerngeschäft von Framos, also Bildsensoren, Optiken, Displays und anderes. Die Embedded-Engineering-Sparte in Kroatien setzt das Design-in von Bildsensoren auf Sensor-Boards um und bietet Module mit integrierter Kameraoptik an. Zu den Paketen gehört auch die Anbindung an das gewünschte Processing Board und die jeweilige Treiber-Software. Und schließlich eröffnet uns das Startup Cubemos die Möglichkeit, konkrete Industrieanwendungen zu bearbeiten und damit noch näher als bisher an den Endkunden zu sein.
Je nach Projektcharakter und bestehendem Kundenkontakt übernimmt Framos oder Cubemos die Koordination. Die einzelnen Komponenten für die Industrieanwendung werden je nach Situation zugekauft. Beide Unternehmen, obwohl Mitglieder ein und derselben Gruppe, haben sehr viel Freiraum und sind nicht aufeinander angewiesen. Momentan beschäftigt die Framos-Gruppe insgesamt zwischen 130 und 140 Mitarbeiter; bei der Schwester Cubemos sind zehn Festangestellte und vier Werkstudenten tätig, mit stark steigender Tendenz.
Betreibt Cubemos ein reines Projektgeschäft oder bietet das Unternehmen auch eigene Produkte an?
Momentan ist Cubemos hauptsächlich auf Projektbasis tätig. Das Unternehmen will aber zunehmend eigene Produkte auf den Markt bringen, und zwar zunächst für AR/VR und die Finanzindustrie, aber auch für die Container-Logistik und produzierende Unternehmen. Die KI-Produkte von Cubemos sollen in Kombination mit der von Framos angebotenen Hardware gebündelt werden.
Das erste eigene Cubemos-Produkt ist eine KI für Skeleton Tracking, die bereits auf der Website zum Download bereitsteht und produktiv eingesetzt wird. Sie erfasst einen Menschen und dessen Bewegungsablauf. In Läden beispielsweise kann sie ermitteln, auf welcher Höhe Personen in die Regale greifen. In Banken kann sie feststellen, wie Menschen mit Geldautomaten interagieren und was sie dort tun. Neben der Skeleton-Tracking-KI sind zwei andere KI-Tools als Standardprodukte in Arbeit. Wir machen also in diesem Jahr den Schwenk zu mehr Eigenprodukten. Alle unsere Produkte werden mit unterschiedlicher Hardware kombinierbar sein.
Auf welche Alleinstellungsmerkmale kann sich Cubemos Ihres Erachtens berufen?
Nicht viele Unternehmen haben die Erfahrung, neuronale Netze in puncto Leistung, Größe und Geschwindigkeit zu optimieren und in unterschiedlicher Hardware mit beschränkter Leistung produktiv zu implementieren; sie ist unser Alleinstellungsmerkmal. Wir können neuronale Netze so verschlanken, dass sie im Betrieb von Edge-Prozessoren laufen. Und aus der Unternehmensgruppe nehmen wir das Know-how, wie die diversen Hardware-Komponenten vom Bildsensor bis hin zum Prozessor zusammenspielen. Von der Erfassung über die Verarbeitung bis hin zum User Interface können wir hard- und softwaremäßig alles in der Unternehmensgruppe abbilden.
Wir befähigen unsere Kunden dazu, ihre Daten produktiv zu nutzen, und zwar ohne sie einem Cloud-Dienstleister zur Verfügung stellen zu müssen: Das neuronale Netz befindet sich nah an der Anwendung. Die nötigen Hardware-Komponenten können wir direkt von Framos beziehen, das heißt, wir bieten den Kunden die komplette Lösung aus einer Hand an. Dies ist ein Vorteil gegenüber Unternehmen, die sich nur mit Software beschäftigen und ihre Lösungen auf die Cloud beschränken.
- »Wir optimieren neuronale Netze für Embedded-Vision-Systeme«
- Neuronale Netze übersichtlicher machen
Lesen Sie mehr zum Thema
Das könnte Sie auch interessieren
STMicroelectronics
Bildsensoren mit neuer Pixelarchitektur
Mit KI zu sehenden Maschinen
Embedded Vision: Neue Trends und Einsatzbereiche
Sonderschau zu »Embedded Vision«
Damit Maschinen Augen bekommen
