• Tag Archieven Coral
  • Coral M.2 versneller met Dual Edge TPU

    Coral M.2 Accelerator with Dual Edge TPU
    Coral M.2 Accelerator with Dual Edge TPU

    De Coral M.2 Accelerator met Dual Edge TPU is een M.2-module die twee Edge TPU-coprocessoren levert voor bestaande systemen met een beschikbaar M.2 E-key slot.

    • De Coral M.2 Accelerator met Dual Edge TPU integreert twee Edge TPU’s in bestaande computersystemen met behulp van een M.2 E-key interface.
    • Dit maakt deze Edge TPU-module bijzonder geschikt voor mobiele en embedded systemen die kunnen profiteren van versneld machinaal leren.
    • Elke Edge TPU-coprocessor kan 4 biljoen bewerkingen per seconde (4 TOPS) uitvoeren met een stroomverbruik van 2 watt. Geavanceerde mobiele vision-modellen zoals MobileNet v2 kunnen bijvoorbeeld efficiënt draaien met bijna 400 FPS.
    • Met twee Edge TPU’s (en dus 8 TOPS) kunt u de prestaties van het systeem verdubbelen – bijvoorbeeld door twee modellen parallel uit te voeren, of door de verwerkingsstappen van één model over beide Edge TPU’s te verdelen (“pipelining”).
    • De M.2 Accelerator met Dual Edge TPU wordt ondersteund op zowel Debian Linux-gebaseerde systemen als Windows 10-systemen.

    Coral M.2 versneller met Dual Edge TPU: De Coral M.2 Accelerator met Dual Edge TPU is een M.2-module die voorziet in twee Edge TPU-coprocessoren voor bestaande systemen met een beschikbaar M.2 E-key slot.

     

    Afmetingen Coral M.2 Accelerator with Dual Edge TPU
    Afmetingen Coral M.2 Accelerator with Dual Edge TPU

    TPU:

    • 2 x Google Edge TPU ML versneller coprocessor
    • 8 TOPS (int8); 2 TOPS per Watt

    Interface & software ondersteuning:

    • Interface: M.2 E-key (via twee PCIe Gen2 x1 lanes)
    • Ondersteunt Linux en Windows 10 op het hostsysteem

    Andere informatie:

    • Afmetingen: 22 mm x 30 mm x 2,8 mm (M.2-2230-D3-E)
    • Gewicht: 2,5 g
    • Bedrijfstemperatuur: -40 tot + 85°C
    Coral M.2 Accelerator with Dual Edge TPU
    Coral M.2 Accelerator with Dual Edge TPU

    Vereisten voor het hostsysteem:

    Linux:

    • 64-bit Linux Debian 10.0 / Ubuntu 16.04 (of nieuwer)
    • CPU: x86-64, of ARMv8 (64-bit)

    of Windows:

    • Windows 10 (64-bit),
    • x86-64 CPU
    Afmetingen Coral M.2 Accelerator with Dual Edge TPU
    Afmetingen Coral M.2 Accelerator with Dual Edge TPU

    Belangrijke hints

    Hoewel de M.2 specificatie vereist dat E-key sockets twee PCIe x1 lanes bieden, bieden de meeste fabrikanten slechts één PCIe interface! Om beide edge TPU’s te kunnen gebruiken, moet u ervoor zorgen dat uw socket daadwerkelijk twee PCIe interfaces met elk x1 PCIe lane biedt.

    Raadpleeg het gegevensblad voor de piekstroomvereisten (tot 3 A per Edge TPU), evenals voor het thermisch beheer. Elke Edge TPU bevat een ingebouwde temperatuursensor en biedt de mogelijkheid parameters in te stellen voor het moment waarop de unit moet uitschakelen.

    Waarschuwing: Oververhitting van het systeem kan leiden tot brand of vernietiging van hardware!

    Koeling Coral M.2 Accelerator with Dual Edge TPU
    Koeling Coral M.2 Accelerator with Dual Edge TPU

    Potentieel voor industriële toepassingen

    De Coral Edge TPU is een revolutionair product voor machine learning toepassingen! Het maakt embedded oplossingen mogelijk die bijvoorbeeld problemen met werkstukken kunnen detecteren, verkeerssituaties kunnen herkennen, en nog veel meer.

    Datasheet

    Google onderdeelnummer: G650-06076-01

    Asus onderdeelnummer: 90AN00I3-B0XAY0

    Zie ook de: Google Coral Edge TPU USB Accelerator

    Zie ook: Google Coral USB Accelerator – Versnel AI-taken met de Edge TPU-coprocessor

    Lees verder  Bericht ID 6007


  • Google Coral Edge TPU USB Accelerator

    Google Coral Edge TPU USB Accelerator
    Google Coral Edge TPU USB Accelerator

    Maakt snel machineleren op een groot aantal systemen mogelijk Werkt met Linux, Mac en Windows. Perfect in combinatie met Home Assistant.

    De Coral USB-Accelerator breidt je systeem uit met een Edge-TPU-coprocessor, die door eenvoudig aansluiten op een USB-poort hogesnelheids-inferencing voor machine learning op een breed scala aan systemen mogelijk maakt.

    Voert high-speed ML-inferencing uit.
    De geïntegreerde Edge TPU-processor kan 4 miljard operaties (tera-operaties) per seconde (TOPS) uitvoeren en verbruikt daarbij 0,5 watt per TOPS (2 TOPS per watt). Zo kan hij bijvoorbeeld de modernste mobiele beeldverwerkingsmodellen zoals MobileNet v2 met bijna 400 fps energiebesparend uitvoeren.

    Lees verder  Bericht ID 6007


  • Viseron gratis NVR in Home Assistant

    Viseron installeren en gebruiken

    Viseron is op het moment dat dit artikel geschreven wordt nog vrij nieuw op het gebied van open source-opties voor NVR’s. Het heeft een aantal goede functies, maar is zeker nog jong.

    Voordelen

    • Vrij eenvoudig om in Docker te laten draaien.
    • Werkt met RTSP-gebaseerde camera’s en MJpeg-streams
    • Bewegingsdetectie
    • Objectdetectie
    • Gezichtsherkenning (niet getest in dit artikel, maar beweerd op hun website)

    Nadelen

    • Gebruikt een yaml-configuratiebestand om alles in te stellen (geen eenvoudige webgebruikersinterface/formulier)
    • Geen ONVIF-opties voor cameradetectie of -instellingen.
    • Gebrek aan feedback op bewegings-/objectdetectie voor visuele afstemming

    Viseron biedt een vrij eenvoudige, schone interface. Het heeft niet veel toeters en bellen als het gaat om het instellen en configureren van camera’s, bewegingsdetectie of objectdetectie.
    Alle configuratie wordt gedaan via een yaml-configuratiebestand. Ze ondersteunen wel een “secrets”-bestand voor het opslaan van uw camera-ip’s, gebruikersnamen en wachtwoorden, los van het hoofdconfiguratiebestand, maar het wordt nog steeds gedaan via een configuratiebestand.

    Viseron maakt het hoofdconfiguratiebestand beschikbaar voor bewerking via een bestandseditor in de webbrowser, waardoor u het niet in uw terminal of een aparte teksteditor hoeft te openen.

    De eerste ervaring in het algemeen

    Gelukkig is het configuratiebestand vrij eenvoudig om mee te werken en het geeft je een goede boilerplate om mee te beginnen. De documentatie over opties die beschikbaar zijn om te gebruiken in het configuratiebestand, maar die nog niet in de boilerplate worden weergegeven, is wat summier. Het instellen van mijn camera’s was niet zo moeilijk toen ik eenmaal begreep welke waarden waar moesten komen. Ik kon een secrets.yaml-bestand gebruiken dat in dezelfde map stond als het hoofdbestand configuration.yml om de IP’s, gebruikersnamen en wachtwoorden van mijn camera’s in te voeren, in plaats van het hoofdconfiguratiebestand te gebruiken voor al deze gevoelige details.

    De camera’s werden over het algemeen snel gedetecteerd en verschenen snel in de interface van de camera. Het systeem biedt geen echt live conglomeratiebeeld (meerdere camera’s in een raster of lay-out). Het beeld van de hoofdcamera’s leek ongeveer elke 7 tot 10 seconden te worden bijgewerkt, maar niet vaker dan dat tijdens mijn gebruik en testen.

    Je kunt naar een liveweergave per camera gaan, en naar een weergave van alle opnamen die een camera maakt. Als u echter bij ‘alle’ opnamen wilt, moet u wel wat dieper graven.

    Kortom, Viseron is een prima optie voor iemand die een aantal camera’s rondom zijn huis of bedrijf in de gaten wil houden en opnames wil maken op basis van objectbeweging, en niet alleen beweging in het algemeen.

    De installatie van Viseron

    Ten eerste moet je docker en docker-compose op uw systeem geïnstalleerd hebben. Als u deze nog niet hebt, volgt u de onderstaande sectie en gebruikt u mijn eenvoudige script dat is ontworpen om u te helpen ze eenvoudig te installeren. Als u ze al hebt geïnstalleerd, kunt u gerust doorgaan naar de volgende sectie over het installeren van Viseron zelf.

    Installatie via een eenvoudig script

    Je kunt Docker-CE, Docker-Compose, Portainer-CE en NGinX Proxy Manager eenvoudig installeren met behulp van dit snelle installatiescript dat ik heb gemaakt en onderhoud op Github.
    Gebruik gewoon de opdracht:
    wget https://gitlab.com/bmcgonag/docker_installs/-/raw/main/install_docker_nproxyman.sh

    Om het script te downloaden naar de gewenste host.
    Lees verder  Bericht ID 6007


  • HP T640 thin client

    HP T640 thin client
    HP T640 thin client

    Een “Thin Client” met grote prestaties!

    Ik heb ondertussen (in 2025) 2 HP T640’s met ProxMox draaien, maar na de release (in 2019) zou het echter nog wel een paar jaar duren voordat ze in mijn prijsklasse vielen… Ondertussen was het geheugen wel een stuk beter te betalen en draaien ze beide zeer stabiel met 32 gig DDR4 SODIMM’s en de SSD’s zijn de Samsung 970 PRO PCIe 4.0 NVMe™ M.2 500 GB SSD geworden met dikke heatsink in deze ventilatorloze servertjes.

    De foto’s en de meeste informatie die hier wordt gepresenteerd, zijn verstrekt door HP, of afkomstig uit HP-literatuur.

    De HP t640 werd in september 2019 gelanceerd.

    Een gebruikersmening

    Een van de meest overpowered apparaten die ik ooit heb gezien, verkocht als een ’thin client’ – met een van de grotere SSD-opties zou HP dit gewoon als een desktopcomputer kunnen verkopen en niemand zou het verschil merken… en ja, het draait Crysis” – april, januari 2021

    Specificaties

    Processor & Grafische kaart
    Type
    Snelheid
    Grafische kaart
    AMD Ryzen R1505G
    2,4-3,3GHz
    Radeon Vega 3 grafische kaart
    Geheugen
    Flash
    RAM
    16GB-512GB
    4-32GB (32GB Max)
    Poorten
    Netwerk
    USB (voorkant)USB (achterkant)
    Serieel
    Parallel
    PS/2
    Videopoorten
    10/100/1000
    1 x USB 3.1 Gen 1, 1 x USB 3.1 Gen 2
    1 x USB 3.1 Type-C Gen 2
    2 x USB 2.0, 2 x USB 3.1 Gen 1
    Optioneel 0/1/2
    0
    0
    3 x Display Port: Resolutie 3840 x 2160 @60Hz
    Voeding
    Voeding
    Stekker
    Uit
    Inactief
    Werkt
    19,5 V 2,31 A (label)
    Coax mannelijk 4,5 mm/3,0 mm + middenpin
    ?W (1,7-1,85 Geclaimd)
    ?B (8,45-9,62W Geclaimd)
    ?B
    Afmetingen
    H x B x D (mm) 196 x 35 x 196 (exclusief standaard)

    Het ingebedde besturingssysteem is:

    • HP ThinPro
    • Windows 10 IoT Enterprise LTSC 2019

    Optionele poorten

    HP t640 Optiepoort
    HP t640 Optiepoort

    Lees verder  Bericht ID 6007


  • Google Coral USB Accelerator – Versnel AI-taken met de Edge TPU-coprocessor

    Neurale netwerken zijn een belangrijke techniek in machine learning, maar helaas ook rekenintensief en energieverslindend. Met de Coral USB Accelerator biedt Google een handig versnellerbordje aan. Je gebruikt het op je laptop of een Raspberry Pi 4.

    De Google Coral USB Accelerator is een hardwareversneller die tot 4 biljoen () bewerkingen per seconde kan uitvoeren voor een model van een neuraal netwerk. Het hart bestaat uit een Edge TPU-coprocessor, die slechts 2 W verbruikt, een heel laag verbruik voor dit soort berekeningen.

    Het is een klein kastje ter grootte van een wat brede USB-stick. Er wordt een usb-c-kabel meegeleverd met aan de andere kant een USB-3-connector, zodat je de Coral USB Accelerator op een USB-3-poort van je computer of de Raspberry Pi 4 kunt aansluiten. Een USB-2-poort past uiteraard ook, maar dan kun je niet van de volledige snelheid van de Edge TPU-coprocessor genieten. Dat betekent ook dat je voor de beste prestaties met een Raspberry Pi model 4 nodig hebt omdat de oudere modellen alleen USB 2 aanbieden.

    De Google Coral USB Accelerator bevat een chip die AI-taken heel efficiënt uitvoert.
    De Google Coral USB Accelerator bevat een chip die AI-taken heel efficiënt uitvoert.

    Neurale netwerken Lees verder  Bericht ID 6007