Für Machine-Learning-Anwendungen Embedded-Vision-System mit Cloud-Anbindung

Die Hardware des »AI Vision Solution Kit« von Basler
Die Hardware des »AI Vision Solution Kit« von Basler

Mit dem Embedded-Vision-System »AI Vision Solution Kit« für Machine-Learning-Anwendungen auf Cloud-Basis geht der Industriekamera-Hersteller Basler einen weiteren Schritt auf dem Weg zum Embedded-Vision-Anbieter. Das Kit dient zum schnellen Prototyping IoT/KI-basierter Bildverarbeitungssysteme.

Die Embedded-Hardware des Kits besteht aus der BCON-for-MIPI-Kamera »Basler dart« mit einer Bildsensor-Auflösung von 13 MP und einem Processing-Board. Dieses beruht auf dem neuen »Hummingboard Ripple« von SolidRun, einem auf KI spezialisierten Board, das einen Mini-SoC-Baustein des Typs i.MX 8M von NXP und einen KI-Beschleuniger beherbergt.

Anwender des »AI Vision Solution Kit« können KI-basierte IoT-Applikationen testen und dabei auf Cloud-Services zugreifen. Durch die Cloud-Anbindung lassen sich beispielsweise künstliche neuronale Netze laden oder trainieren. Ein wichtiger Bestandteil des Kits sind also Software-Komponenten, die einen flexiblen Zugriff auf Cloud-Services ermöglichen. Zusammen mit dem KI-Beschleuniger des Processing-Boards bilden sie die Grundlage für rasches Prototyping KI-basierter IoT-Applikationen für Embedded-Vision-Systeme.

Das »AI Vision Solution Kit« ermöglicht Entwicklern, in der Cloud bereitgestellte Machine-Learning-Modelle zu verwenden, zu trainieren und im Embedded-Vision-System zu nutzen, das als Edge-Device dient. Hierfür werden in der Cloud bereits vortrainierte neuronale Netze in Form von Software-Containern zur Verfügung gestellt, die für eine direkte Verwendung ausgelegt sind. Anwender können die neuronalen Netze nach Bedarf erweitern.

Die Software-Container mit den ausgewählten Machine-Learning-Modellen lassen sich für das Prototyping von Applikationsbeispielen in das Edge-Device laden. Die Inferenz und eigentliche Bildverarbeitung erfolgt somit im Edge-Device. Auf diese Weise lassen sich Cloud-spezifische Anwendungsbeispiele mit geringem Programmieraufwand testen sowie Metadaten generieren. Im nächsten Schritt können Anwender die Metadaten über eine definierte Schnittstelle an die Cloud senden und mit den entsprechenden Tools beispielsweise in einer Datenbank speichern oder mittels eines Dashboards visualisieren.