トップ Edge AI

NEWS : エッジ AI 向け物体検出デモデータのご提供を開始しました

AVNET 社の小型 FPGA 評価ボード 「Ultra96」 で動作可能な、エッジ AI 向け物体検出デモデータのご提供を開始しました。
Person, Car の 2クラス分類をリアルタイムで行う本モデルは、SD カードイメージで提供されるため、お手持ちの Ultra96 ですぐに物体検出のデモを行うことが出来ます。
データは、AVNET 社のウェブサイト よりダウンロード頂けます。

Edge AI on FPGA

「エッジAI」 とは、ディープラーニングなどを用いた AI アルゴリズムを、クラウドではなく端末側 (=エッジ) で実行する技術を指します。

シンコムは、2004年に ASIC などの大規模半導体デバイスの設計会社として創業し、 2015年よりニューラルネットワークの FPGA 実装研究を開始。
その後、東京工業大学 中原准教授とのコラボレーションにより、世界最先端のニューラルネットワークの圧縮とハードウェア実装技術を、お客様にご提供できるようになりました。

「エッジ向け AI の受託開発企業」 として、学習データセット作成からエッジ向けハードウェアへの実装まで、お客様アプリケーションのエッジ AI 化をサポートします。


Object Detection / 物体検出


エッジでの高速物体検出デモ
XILINX zu3eg FPGA on Ultra96
(ハードウェア使用率 50% 未満)

エッジで AI を実現する際に必要となる要件として、以下のようなものが挙げられます。

  • 処理速度 (フレームレート)
  • 消費電力および発熱
  • 物体検出・認識精度
  • 重量・実装面積
  • 分類クラス数

アプリケーションごとに要求されるレベルは異なりますが、 現時点で最も多くの要求に応えることの出来るハードウェアとして、シンコムは FPGA を重視しています。



エッジでの高速物体検出デモ
XILINX zu3eg FPGA on Ultra96
(ハードウェア使用率 50% 未満)

このデモでは、高速に動き回る物体の位置とラベルを、FPGA 単体で推論しています。 トラッキングは使用せず、画像1枚1枚を約40ミリ秒という非常に短い時間で検出しています。

使用しているのは、一般的なウェブカメラと、Ultra96 という小型 FPGA ボードのみ。
スタンバイ時と推論時での消費電力の差分=約 2.4W と低消費電力であるため、モバイルバッテリーでの動作も可能です。


また、小さな FPGA への実装でありながら、ハードウェア使用率 50% 未満と非常にコンパクトなため、 お客様の製品で使用している FPGA の未使用領域への実装や、 余り領域を使用して精度や推論速度を上げることも可能です。

モデルの圧縮およびハードウェア実装コードの生成には、GUI ベースの Edge AI 開発環境 「GUINNESS DREI : GUI Based Neural Network Synthesizer」 を使用。
スクラッチから FPGA への実装を行っているため、ご要望に応じて柔軟にハードウェア構成を最適化することが可能です。


Semantic Segmentation / セグメンテーション


エッジでのセグメンテーション実装デモ
XILINX zu3eg FPGA on Ultra96

セマンティック・セグメンテーション (意味的領域分割) は、ピクセル単位でクラス識別を行う画像処理タスクで、画像分類や物体検出よりも比較的高度なタスクと考えられています。

セグメンテーションは、自動運転やドローン、画像診断などの分野での応用が期待されています。高速で走行する車両の自動運転などのアプリケーションではリアルタイム性が要求されます。また、小型のドローンに搭載する場合には重量や消費電力を極力小さくすることが重要となってきます。

シンコムはそのような要求に最適な FPGA ベースのセグメンテーションのソリューションを提供可能です。



エッジでのセグメンテーション実装デモ
XILINX zu3eg FPGA on Ultra96

こちらのデモは 「ネットワーク (クラウド) に接続できない環境で、ロボットが走行できるエリアを識別したい」 という要望に応じて開発された、FPGA でのセグメンテーション・デモです。

本デモにおける走行可能領域の検出では、おおよその領域が分かれば良く、 物体の正確なシルエットを得ることが目的では無いため、 精度とスピードのトレードオフにおいて、スピードに比重を置いた実装を行いました。

モデルの圧縮およびハードウェア実装コードの生成には、物体検出と同じく GUINNESS DREI を使用。
スクラッチから FPGA への実装を行っています。


ASIP/ASIC/CPU を含めた様々なハードウェアに対応

『FPGA』 は多くの組み込み向けタスクにおいて最適なソリューションですが、小型 CMOS Image Sensor への実装など、場合によっては ASIC や ASIP での実現が好ましい場合もあります。

シンコムはこれまで半導体デザイン・IP 開発サービスを展開する中で蓄積してきた高いハードウェア技術をもとに、 ASIP や ASIC への展開を見据えたハードウェア開発が可能です。


また、DNN の圧縮技術は必ずしも FPGA や ASIC、ASIP だけに適用されるものではなく、CPU においても推論速度の改善やメモリ使用量の低減に効果があります。

お客様が検討されているハードウェアに対し、柔軟にご提案させて頂きます。


学習データセット作成

高品質な CNN アルゴリズムの作成には、高品質な学習データが必要です。認識精度や誤検出率は、ニューラルネットワークだけでなくデータセットにも大きく依存しています。

物体検出タスク向けのアノテーションでは、単に物体に枠を付けるだけではなく、アプリケーションの目的や用途に応じた付加情報やフラグを付加することが重要です。 CNN の学習の仕組みを理解した上で、誤検出を抑制するようなアノテーションが望まれます。

シンコムは、自社開発のアノテーションツール (L-meister) をお客様のニーズに沿ってカスタマイズすることで、個々のアプリケーションに応じて最適なアノテーションを実現します。

フィリピン拠点を活用することで、コストパフォーマンスに優れたデータセット作成を提供可能です。



GUI ベースの Edge AI 開発環境

GUINNESS DREI (v3)

FPGA や ASIC、CPU で軽量・コンパクトなニューラルネットワークを実現するために、シンコムでは以下のようなモデル圧縮・最適化処理を行っています。


中原准教授が開発され、シンコムが提供する 「GUINNESS DREI : GUI Based Neural Network Synthesizer」 は、DNN ハードウェア化のための様々な技術が盛り込まれた、GUI ベースの Edge AI 開発環境です。

GUINNESS DREI (v3)

GUINNESS DREI は国産 Deep Learning フレームワーク 「Chainer」 をベースとして作られており、GPU を使った学習から、FPGA 向け高位合成モデルの生成までを、シームレスに繋ぎます。


GUINNESS DREI には、以下のような特長があります。


GUINNESS DREI を活用することで、ハードウェア化に適したモデルでの学習を簡単に実行できるだけでなく、 ターゲット FPGA に対して最適な並列化やメモリアクセス指示 (#pragma) が記述された高位合成用 C++ コードの自動生成が可能になるため、 学習から FPGA 実装までの TAT を、大幅に短縮することが可能です。


Synkom Edge AI Solutions

(必須)
(必須)
(必須)

Your credentials will be sent over a secure connection.

Services

Major Tasks

Inquiry

シンコムの Edge AI ソリューションについて資料でご覧になりたい方は、右のフォームに必要事項をご入力の上、「資料をメールで受け取る」 ボタンをクリックして下さい。
ご入力頂いた Email アドレスに対し、資料をお送りさせて頂きます。

近日対応予定

(必須)
(必須)
(必須)

Your credentials will be sent over a secure connection.