کیت raspberry pi 5 ai

زمان استفاده از کیت هوش مصنوعی Raspberry Pi 5

کیت Raspberry Pi 5 AI با سرعت 82.4 FPS در تشخیص شی YOLOv8 در حالی که فقط 9.7 وات مصرف می‌کند{4}}اما فقط در صورتی که مدل‌های بینایی را از طریق خط لوله دوربین اجرا می‌کنید. این ویژگی بیشتر از عدد چشمگیر 13 TOPS روی جعبه اهمیت دارد.

من ده‌ها توسعه‌دهنده را تماشا کرده‌ام که این کیت 70 دلاری را در انتظار شتاب ChatGPT خریدند، اما متوجه شدم که نمی‌تواند مدل‌های زبان را لمس کند. سردرگمی قابل درک است: "کیت هوش مصنوعی" جهانی به نظر می رسد. واقعیت این است که پردازنده Hailo{4}}8L فقط با وظایف یادگیری ماشینی-شامل فید گرفته شده توسط ماژول های دوربین سازگار است - نه وب کم، نه دوربین های IP، به ویژه ماژول های دوربین Raspberry Pi.

این یک محدودیت نیست. این تخصص است استنتاج بینایی کامپیوتر در لبه نیاز به معماری اساسا متفاوتی نسبت به استنتاج LLM دارد. معماری جریان داده Hailo-8L نسبت به اولی برتری دارد در حالی که برای دومی کاملاً اشتباه است.

شکاف عملکرد واقعی: اعدادی که در واقع مهم هستند

از بازاریابی TOPS بگذرید. CPU Raspberry Pi 5 تشخیص شی YOLOv8 را با سرعت 0.45 FPS با استفاده از 100٪ CPU اجرا می کند. کیت هوش مصنوعی را اضافه کنید و به 82.4 فریم در ثانیه با 15{10}}30 درصد CPU می رسید. این یک بهبود 2 برابری نیست، بلکه یک ضریب 183 برابری است.

اما زمینه به طور چشمگیری این اعداد را شکل می دهد. در سرعت های PCIe Gen 3 با سایز دسته 8، همان مدل YOLOv8s به 120 فریم در ثانیه می رسد. به Gen 2 رها کنید و در 40 FPS هستید. اندازه دسته را به 32 افزایش دهید و عملکرد را به 54 FPS کاهش دهید.

گلوگاه PCIe واقعی است. یک خط نسل 3 8 گیگابیت بر ثانیه-برای اکثر وظایف بینایی کافی است، اما سقف سختی دارد. تنظیمات مبتنی بر ماژول، بر خلاف NPU های ادغام شده در SoC که کانال های حافظه با سرعت بالا را با CPU به اشتراک می گذارند، نیازمند تمام دسترسی به حافظه برای عبور از رابط PCIe است.

برای چشم انداز: تخمین پوز با سرعت 66.1 FPS با توان مصرفی 9.7 وات کل سیستم اجرا می شود. این 200 برابر سریع‌تر از استنتاج CPU{4}}در حالی که انرژی کمتری مصرف می‌کند. ریاضی برای استقرار-باطری بررسی می‌شود.

سخت افزار رقابتی: درخت تصمیم 70 دلاری

Coral TPU Google 4 TOPS با راندمان 2 TOPS/W را در طراحی تراشه 6{3}} ساله ارائه می دهد. Hailo-8L 13 TOPS در 3-4 TOPS/W ارائه می دهد. روی کاغذ، هایلو برنده می شود.

اما Coral دارای ادغام TensorFlow Lite است که "فقط کار می کند". شتاب دهنده USB Coral از طریق USB استاندارد متصل می شود، به راحتی با سیستم های موجود ادغام می شود و از مدل های متوسط ​​مانند MobileNet v2 با مصرف برق حدود 2 وات پشتیبانی می کند. بدون نیاز به پیکربندی PCIe

Hailo-8 (26 TOPS) وجود دارد اما 150-200 دلار قیمت دارد. در آن نقطه قیمت، شما در حال مقایسه با راه حل هایی هستید که انعطاف پذیری بیشتری ارائه می دهند. نکته جالب این است که 8L با 70 دلار قیمت دارد-اگر مورد استفاده شما هماهنگ باشد.

Pineboards جایگزین‌هایی را ارائه می‌دهد: کلاه‌های دوگانه M.2 که Hailo-8L را با ذخیره‌سازی NVMe ترکیب می‌کنند، یا پیکربندی‌های Coral Edge برای توسعه مداوم در پروژه‌های Coral موجود. اینها محدودیت "شتاب دهنده یا ذخیره سازی" کیت رسمی را حل می کند.

از مورد شماره 1 استفاده کنید:-امنیت و نظارت زمان واقعی

دوربین های امنیتی جریان های بی امان داده را تولید می کنند. کیت هوش مصنوعی فیلم‌های امنیتی 1080p را کنترل می‌کند که افراد، خودروها و بسته‌ها را بدون افتادن فریم تشخیص می‌دهد. این افزایش عملکرد 13 برابری باعث می شود دوربین های امنیتی واقعاً قابل اجرا باشند.

پروژه جف گیرلینگ چندین NPU Hailo را با هم ترکیب کرد-که با اتصال Hailo{6}}8L، Hailo-8 و TPUهای Coral از طریق سوئیچ‌های PCIe، در مجموع به 51 TOPS رسید. بیش از حد؟ بله. اما سناریوهای چند دوربینی را در مقیاس نشان می دهد.

استقرار واقعی متفاوت به نظر می رسد. یک سیستم مانیتورینگ میدان عوارض از دید کامپیوتری Edge Impulse با ماژول دوربین عریض برای شناسایی و شمارش وسایل نقلیه در چندین خط به طور همزمان استفاده می‌کرد. لنز واید مناطق وسیع تری را ثبت کرد. کیت هوش مصنوعی فضای پردازش را فراهم کرد.

ادغام NVR Frigate در اینجا اهمیت دارد. Hailo از نسخه 0.16.0 به طور رسمی در فریم ورک فریگیت ادغام شده است و جایگزینی برای تنظیمات قدیمی Coral در تاسیسات نظارتی موجود است.

محدودیت حیاتی: در صورت عدم تطابق نسخه بین بسته های نرم افزاری Hailo و درایورهای دستگاه، کیت AI و AI HAT+ کار نمی کنند. استقرار تولید نیازمند استراتژی‌های{2}قفل کردن نسخه است.

استفاده از مورد شماره 2: کنترل فرآیند صنعتی

سیستم‌های ایمنی ساختمان می‌توانند انسان‌هایی را که در جلو، کنار و پشت خودروهای ساختمانی قرار گرفته‌اند شناسایی کنند. دوربین‌های مبتنی بر هوش مصنوعی جایگزین چندین ناظر انسانی می‌شوند و مکان‌های کارگر را در زمان واقعی ردیابی می‌کنند.

مزیت آن موازی بودن است: هوش مصنوعی چندین منطقه خطر را به طور همزمان پردازش می کند در حالی که انسان ها به طور طبیعی به طور متوالی تمرکز می کنند. زمان پاسخ برای تولید هشدار بیشتر از دقت کامل مهم است.

کنترل کیفیت ساخت از منطق مشابهی پیروی می کند. یک دوربین خط تولید که صحت مونتاژ را بررسی می کند به نرخ فریم ثابت نیاز دارد، نه عملکرد اوج. کیت هوش مصنوعی 82.4 فریم بر ثانیه در تشخیص اشیا را حفظ می‌کند-که برای اکثر سرعت‌های خط تولید کافی است در حالی که ظرفیت CPU را برای سیستم‌های کنترل باقی می‌گذارد.

اندازه فشرده امکان ادغام در نقاط خط تولید موجود را فراهم می کند. سیستم با افزودن دوربین‌ها به جای طراحی مجدد زیرساخت مقیاس‌پذیر می‌شود.

اما استقرار صنعتی نیاز بیشتری دارد. باید از کارت‌های SD برای دستگاه‌های تولیدی به دلیل استقامت نوشتن محدود و قابلیت اطمینان ضعیف تحت قدرت غیرقابل اطمینان اجتناب شود. درجه صنعتی eMMC یا هارد دیسک مورد نیاز است.

استفاده از مورد شماره 3: رباتیک و سیستم های خودمختار

یک نمونه اولیه ربات زیرآبی خودمختار از کیت هوش مصنوعی برای تشخیص اشیا با مدل YOLOv8 که بر روی مجموعه داده‌های سفارشی آموزش دیده بود، استفاده کرد و با موتورهای BLDC که از طریق درایور PCA9685 PWM در رابط I2C کنترل می‌شوند، هماهنگ شد.

چالش: ادغام Hailo SDK با خطوط لوله OpenCV موجود. توسعه‌دهندگانی که به پیاده‌سازی 8 خطی PyTorch+Ultralytics در پردازنده‌های گرافیکی رایانه شخصی عادت کرده‌اند، با منحنی یادگیری تندتر با زنجیره ابزار Hailo روبرو هستند. تبدیل مدل به صورت خودکار نیست.

الگوریتم های ناوبری چرخه های CPU را مصرف می کنند. سیستم تشخیص دست ماریو سه مدل را به طور همزمان اجرا کرد-تشخیص دست و نشانه‌ها-با یک دست شناسایی 26-28 FPS، با دو دست 22-25 FPS. این بودجه پردازش فضایی را برای برنامه ریزی مسیر و کنترل موتور باقی می گذارد.

ربات‌های تحویل هوشمند نمونه‌ای از تناسب هستند: پردازش بینایی مداوم در حالی که CPU منطق ناوبری، ارتباطات و درخت‌های تصمیم را مدیریت می‌کند. راندمان 3-4 TOPS/W طول عمر باتری را به میزان قابل توجهی در استقرار تلفن همراه افزایش می دهد.

از مورد شماره 4: تجزیه و تحلیل خرده فروشی و مشتری استفاده کنید

یک نسخه نمایشی مدیریت سوپر مارکت خرده‌فروشی، YOLOv8n را روی کیت هوش مصنوعی برای شناسایی محصولات در قفسه‌ها اجرا کرد، در حالی که EfficientNet برای طبقه‌بندی روی CPU اجرا می‌شد. تقسیم کار: NPU شناسایی (محصول کجاست؟)، CPU دسته بندی (کدام محصول؟).

تخمین وضعیت، تجزیه و تحلیل رفتار مشتری را اضافه می‌کند. 66.1 عملکرد تخمین موقعیت FPS، ردیابی حرکات مشتری از طریق مناطق فروشگاه، تجزیه و تحلیل زمان سکونت، و تشخیص صف بدون شناسایی فردی را امکان‌پذیر می‌سازد.

حریم خصوصی در اینجا مهم است. پردازش در دستگاه{1}به این معنی است که ویدیو هرگز از مکان خارج نمی‌شود. مدل‌هایی که در تشخیص «شخص» عمومی آموزش دیده‌اند، داده‌های بیومتریک{3}}فقط ابرداده‌های مکانی را ذخیره نمی‌کنند.

پروژه "Peeper Pam" افرادی را که پشت سر شما پشت میز هستند شناسایی کرد و صندلی ها، میزها و گیاهان داخل قاب را نادیده گرفتند. اطمینان تشخیص در یک متر آنالوگ نمایش داده می شود: 0 برای "هیچ شخصی"، 1 برای "شخص خاصی حضور دارد" با عدم اطمینان در بین.

همین منطق برای نظارت بر اشغال، مدیریت صف و استفاده از فضا{0}}در هر جایی که نیاز دارید "آیا شخص حضور دارد؟" بدون توجه به "کدام شخص؟"

استفاده از مورد شماره 5: استقرار مدل سفارشی (با هشدارها)

Hailo Dataflow Compiler، مدل‌ها را از چارچوب‌های استاندارد ML به قالب اجرایی Hailo ترجمه می‌کند، با استفاده از آموزش کوانتیزاسیون{0}}برای کوچک کردن مدل‌ها با حفظ دقت.

گردش کار: آموزش در PyTorch یا TensorFlow، صادرات به ONNX، تبدیل به HEF (فرمت اجرایی Hailo) با استفاده از DFC، گسترش به Pi. آموزش‌هایی برای آموزش کامل-به-استقرار خط لوله با مدل‌های YOLOv8n وجود دارد.

اما سازگاری مدل جهانی نیست. مدل‌های کامپایل‌شده برای Hailo به‌طور خاص برای معماری تراشه بهینه‌سازی شده‌اند-به این معنی که برخی از عملیات‌ها به سادگی نگاشت نمی‌شوند. باغ وحش مدل نمونه هایی از قبل-کامپایل شده ارائه می دهد. معماری های سفارشی نیاز به آزمایش دارند.

Hailo Python API اکنون اجرای استنتاج بر روی Hailo-8L را با استفاده از Python، با نمونه‌هایی در دسترس هم برای اسکریپت‌های مستقل و هم برای ادغام با picamera2، فعال می‌کند. این مانع را در مقایسه با گردش‌های کاری قبلی فقط GStreamer کاهش می‌دهد.

Edge Impulse مسیر دیگری را فراهم می کند. پلت فرم آنها آموزش مدل و خط لوله تبدیل Hailo را مدیریت می کند و خروجی های آماده برای استقرار مدل ها را ارائه می دهد. برای تیم‌های بدون تخصص ML، این رویکرد مدیریت‌شده آزمون-و-خطا را کاهش می‌دهد.

زمانی که از کیت هوش مصنوعی استفاده نکنید

مدل های زبان بزرگ:پردازنده Hailo-8L نمی تواند LLM ها را اجرا کند. این فقط با وظایف یادگیری ماشینی که شامل فیدهای ماژول دوربین است، سازگار است. هیچ مقدار بهینه سازی این محدودیت معماری را تغییر نمی دهد.

اجرای LLM در Pi 5 نیاز به استنتاج CPU با مدل هایی با پارامترهای 7B دارد. Gemma2-2B با استفاده از 3 گیگابایت RAM به عملکرد مناسبی دست یافت. DeepSeek-r1:8b به آرامی اجرا شد. کیت هوش مصنوعی هیچ یک از این ها را تسریع نمی کند.

هوش مصنوعی مولد:تولید متن، ترکیب تصویر، تولید صدا{0}}این جریان‌های کاری با معماری جریان داده Hailo-8L مطابقت ندارند. Hailo 10H آینده با 40 TOPS و 8 گیگابایت رم DDR4 بارهای کاری مولد هوش مصنوعی را هدف قرار می دهد، اما هنوز برای Pi 5 در دسترس نیست.

کارهای غیر{0}Camera Vision:پردازش تصاویر ثابت از فایل‌ها کار می‌کند، اما کیت هوش مصنوعی به‌طور خاص با ماژول‌های دوربین Raspberry Pi{0}}نه وب‌کم یا دوربین‌های IP کار می‌کند. سازگاری دوربین شخص ثالث به پشتیبانی libcamera نیاز دارد.

نیاز به ذخیره سازی:اسلات M.2 کیت رسمی توسط ماژول Hailo اشغال شده است و از اتصال NVMe SSD جلوگیری می کند. اگر هم به شتاب هوش مصنوعی و هم به ذخیره سازی سریع نیاز دارید،-هات های M.2 دوگانه شخص ثالث مورد نیاز است.

الزامات یکپارچه سازی فشرده:از مارس 2025، برنامه‌های rpicam{1}}تنها بخش نرم‌افزار Raspberry Pi است که عمیقاً با شتاب‌دهنده Hailo یکپارچه شده است. دسترسی برنامه‌ای از اسکریپت‌های پایتون از طریق picamera2 بعداً در دسترس قرار گرفت. پذیرش اولیه به معنای انعطاف پذیری API محدود بود.

چارچوب تصمیم گیری

این پنج سوال را بپرسید:

1. آیا چشم انداز وظیفه هوش مصنوعی شما- مبتنی است؟

بله، با ماژول دوربین → کیت هوش مصنوعی قابل اجرا است

نه، یا{0}}بر اساس فایل پردازش → تجدید نظر کنید

پردازش متن/صوت → ابزار اشتباه

2. هدف عملکرد شما چیست؟

30+ FPS واقعی-زمان → کیت هوش مصنوعی ضروری است

5-10 FPS قابل قبول → CPU ممکن است کافی باشد

<1 FPS tolerable → don't spend $70

3. آیا به مدل های سفارشی نیاز دارید؟

بله، و مایل به یادگیری DFC → قابل مدیریت است

بله، اما بدون تخصص ML → Edge Impulse route

نه، از سناریوی ایده‌آل-فقط آموزش دیده استفاده کنید

4. مقیاس استقرار شما چیست؟

1-10 واحد برای نمونه سازی → تناسب کامل

100+ واحد برای تولید → عامل عرضه، حرارتی، قابلیت اطمینان

صنعتی/تجاری → به انواع Pi صنعتی نیاز دارید، نه تابلوهای خرده فروشی

5. آیا می توانید محدودیت ها را بپذیرید؟

نیاز ماژول دوربین

مدیریت وابستگی نسخه

بدون بوت NVMe بدون کلاه دوگانه M.2

دمای کاری 0-50 درجه

سقف پهنای باند PCIe

اگر به سؤالات 1، 2 و 5 پاسخ مثبت داده اید و برای 3 و 4 استراتژی دارید، کیت هوش مصنوعی ارزش استثنایی با 70 دلار ارائه می دهد.

تنظیم بررسی واقعیت

نصب سخت افزار چند دقیقه طول می کشد: نصب سیستم خنک کننده، اتصال standoffs، فشار دادن هدر GPIO، اتصال کابل نواری به پورت PCIe، کیت هوش مصنوعی با پیچ.

پیکربندی نرم افزار به دقت بیشتری نیاز دارد:

sudo apt update و sudo apt full-upgrade sudo rpi-eeprom-update sudo raspi-پیکربندی # فعال کردن PCIe Gen 3 در گزینه‌های پیشرفته sudo apt install hailo-همه sudo راه‌اندازی مجدد hailortcli fw install{ #6}

عدم تطابق نسخه بین بسته های نرم افزاری Hailo و درایورهای دستگاه باعث خرابی کامل سیستم می شود. قبل از استقرار به طور کامل تست کنید.

برای بهترین عملکرد، استفاده از کیت هوش مصنوعی با خنک کننده فعال Raspberry Pi توصیه می شود. بدون خنک کردن، برد پایه RPi5 هنگام استفاده از کیت هوش مصنوعی بیش از حد گرم می شود.

مدیریت حرارتی اختیاری نیست{0}}برای عملکرد پایدار لازم است.

محاسبه ارزش 70 دلاری

آنچه به دست می آورید:

13 استنتاج عصبی TOPS

عملکرد بیش از 180 برابر فقط{2}}CPU

راندمان 3-4 TOPS/W

پشتیبانی از برنامه‌های rpicam{0}}

پد حرارتی از قبل نصب شده

تمامی سخت افزارهای نصب

چیزی که به دست نمی آورید:

شتاب LLM

محاسبات هوش مصنوعی{0}منظور عمومی

وصل کردن-و- سادگی

گسترش فضای ذخیره سازی

سازگاری دوربین جهانی

با 70 دلار، یافتن راه مقرون به صرفه تری برای فرو بردن انگشتان پا در هوش مصنوعی لبه سخت است. قیمت بسته‌های Coral TPU کمتر است در حالی که بیش از 3 برابر TOPS ارائه می‌دهد.

اما ارزش کاملاً به همسویی موارد استفاده بستگی دارد. برای استنباط بینایی در لبه، استثنایی است. برای هر چیز دیگری، بی ربط است.

سوالات متداول

آیا می توانم از کیت هوش مصنوعی با Raspberry Pi 4 یا مدل های قبلی استفاده کنم؟

خیر. کیت هوش مصنوعی به Raspberry Pi 5 نیاز دارد زیرا به پشتیبانی بومی PCIe نیاز دارد. مدل های قبلی به طور کامل فاقد رابط PCIe هستند. هیچ راه حل یا آداپتوری وجود ندارد که این را تغییر دهد.

آیا کیت هوش مصنوعی کد تشخیص شی من که در پایتون با OpenCV نوشته شده است را تسریع می کند؟

تا حدی. Hailo Python API اجازه اجرای استنتاج بر روی Hailo-8L با استفاده از Python را می‌دهد، اما شما باید مدل خود را به فرمت HEF تبدیل کنید و کد خود را برای استفاده از Hailo API به جای فراخوانی استنتاج استاندارد OpenCV تغییر دهید. این جایگزینی شفاف نیست.

اندازه دسته چگونه بر عملکرد تأثیر می گذارد؟

با YOLOv8s با وضوح 640x640: اندازه دسته 2 به 80 فریم در ثانیه می رسد، اندازه دسته 4 به 100 فریم در ثانیه می رسد، اندازه دسته 8 به حداکثر سرعت 120 فریم در ثانیه می رسد. فراتر از آن، عملکرد کاهش می یابد: دسته 16 به 100 FPS و دسته 32 به 54 FPS به دلیل اشباع پهنای باند PCIe کاهش می یابد.

آیا می توانم از NVMe بوت کنم و از کیت هوش مصنوعی به طور همزمان استفاده کنم؟

نه با کیت رسمی به تنهایی. اسلات M.2 توسط ماژول Hailo اشغال شده است. Pineboards و فروشندگان مشابه، کلاه‌های M.2 دوتایی را ارائه می‌کنند که هم اسلات‌های شتاب‌دهنده NVMe و هم هوش مصنوعی را ارائه می‌کنند و این محدودیت را با هزینه اضافی حل می‌کنند.

آیا پشتیبانی Google Coral منسوخ شده است؟

به طور رسمی منسوخ نشده است، اما پشته نرم افزاری Coral به طور فعال حفظ نشده است، PyCoral به Python 3.9 نیاز دارد. به نظر می رسد گوگل پس از مشکلات تامین در طول همه گیری همه گیر، پروژه Coral را برای پشتیبانی از زندگی ترک کرده است. سخت افزار Coral موجود هنوز کار می کند، اما پشتیبانی آینده نامشخص است.

واقعاً به چه خنک کننده ای نیاز دارم؟

Raspberry Pi استفاده از کیت هوش مصنوعی با خنک کننده فعال را برای بهترین عملکرد توصیه می کند. هیت سینک‌های غیرفعال ممکن است برای استفاده متناوب کافی باشند، اما بارهای کاری استنتاج پایدار بدون خنک‌کننده فعال گاز را کاهش می‌دهند. بودجه 5 دلاری اکتیو کولر در کنار کیت هوش مصنوعی.

آیا می توانم چندین استریم دوربین را به طور همزمان اجرا کنم؟

بله. می توان چندین شبکه عصبی را روی یک دوربین واحد یا شبکه های عصبی تک یا چندگانه را با دو دوربین به طور همزمان اجرا کرد. مقیاس های عملکرد بر اساس پیچیدگی مدل و در دسترس بودن پهنای باند PCIe.

نتیجه گیری صادقانه

Raspberry Pi 5 AI Kit یک ابزار تخصصی است که در حوزه خود عالی است. برای استنباط بینایی با ماژول‌های دوربین، Pi 5 را از «قابلیت فنی» به «واقعاً کاربردی» برای کاربردهای تولیدی تبدیل می‌کند.

این شتاب دهنده هوش مصنوعی{0} همه منظوره نیست. ChatGPT را اجرا نمی کند. این تصاویر تولید نمی کند. این به سنتز صدا کمکی نمی کند. این محدودیت ها را بپذیرید و ارزش استثنایی ارائه می دهد. با آنها بجنگید و 70 دلار هدر خواهید داد.

تصمیم این نیست "آیا کیت هوش مصنوعی خوب است؟"-بلکه "آیا کیت هوش مصنوعی برای این برنامه خاص مناسب است؟" صادقانه به آن پاسخ دهید و خواهید دانست که آیا خرید کنید یا خیر.

خوراکی های کلیدی

کیت AI 82.4 FPS را در YOLOv8 در مقابل CPU 0.45 FPS-فقط-اما فقط برای وظایف بینایی مبتنی بر دوربین- ارائه می‌کند

با LLM ها، هوش مصنوعی مولد، یا جریان های کاری غیر{0}}بینایی دوربین سازگار نیست

به Raspberry Pi 5 با ماژول دوربین نیاز دارد. با Pi 4 یا وب کم کار نمی کند

پیکربندی PCIe Gen 3 و خنک کننده فعال برای عملکرد بهینه لازم است

مدیریت وابستگی نسخه حیاتی. عدم تطابق باعث خرابی کامل سیستم می شود

بهترین برای: دوربین های امنیتی، نظارت صنعتی، روباتیک، تجزیه و تحلیل خرده فروشی

اجتناب از: مدل های زبان، تولید تصویر، پردازش صدا، آزمایش عمومی هوش مصنوعی

منابع داده

Raspberry Pi Documentation - نرم افزار کیت هوش مصنوعی: https://www.raspberrypi.com/documentation/computers/ai.html

بررسی کیت هوش مصنوعی magazin Mehatronika - Raspberry Pi: https://magazinmehatronika.com/en/raspberry-pi-ai{4}}kit-review/

Seeed Studio - بنچمارک در RPi5 و CM4: https://forums.raspberrypi.com/viewtopic.php?t=373867

جف گیرلینگ - آزمایش کیت هوش مصنوعی Raspberry Pi: https://www.jeffgeerling.com/blog/2024/testing{4}}raspberry-pis-ai-kit-13-tops-70

XDA Developers - Raspberry Pi AI Kit-روی: https://www.xda-developers.com/raspberry-pi-ai-kit-hands-on/

انجمن های رزبری پای - بحث های کیت هوش مصنوعی: https://forums.raspberrypi.com/

تالارهای گفتمان انجمن Hailo: https://community.hailo.ai/

GitHub - hailo-ai/hailo-rpi5-نمونه‌هایی: https://github.com/hailo-ai/hailo-rpi5-examples