کیت رزبری پای آی

کیت رزبری پای آی چگونه کار می کند

کیت Raspberry Pi AI با ترکیب یک کلاه M.2 با تراشه شتاب دهنده Hailo{11}}8L، Pi 5 شما را به یک پلتفرم هوش مصنوعی لبه‌دار تبدیل می‌کند. به عبارت ساده، با بارگیری محاسبات هوش مصنوعی از CPU به یک واحد پردازش عصبی اختصاصی کار می‌کند که 13 تریلیون عملیات در ثانیه (13 TOPS) را انجام می‌دهد در حالی که تنها 1{13}}2 وات در طول بارهای کاری معمولی مصرف می‌کند (منبع: theregister.com، 2024). با 70 دلار، شتاب سخت‌افزاری دریافت می‌کنید که تشخیص اشیا، تخمین ژست و طبقه‌بندی تصویر در زمان واقعی را در یک رایانه تک‌برد 60 دلاری عملی می‌کند.

من این معماری را بسیار هوشمندانه یافتم. به‌جای اینکه سال‌ها منتظر Raspberry Pi باشند تا یک NPU یکپارچه بسازد، آنها با Hailo همکاری کردند تا یک راه‌حل مدولار ایجاد کنند که امروز کار می‌کند و فردا به راحتی ارتقا می‌یابد.

معماری سخت افزار: نحوه اتصال اجزا

کیت هوش مصنوعی شامل دو قطعه فیزیکی است که به عنوان یک سیستم کار می کنند. ابتدا، Raspberry Pi M.2 HAT+ را دارید، که یک برد مدار است که به هدر 40{9}}پین GPIO Pi 5 شما متصل می‌شود و یک اسلات M.2 2242 یا 2280 ارائه می‌کند. دوم، ماژول شتاب دهنده هوش مصنوعی Hailo-8L وجود دارد - یک کارت کوچک M.2 به اندازه یک چوب آدامس که به آن شکاف متصل می شود.

وقتی همه چیز را به هم وصل می کنید چه اتفاقی می افتد:

M.2 HAT انرژی را از پایه های GPIO Pi 5 می گیرد و یک اتصال PCIe Gen 2 یا Gen 3 را از طریق رابط PCIe برد برقرار می کند. ماژول Hailo{9}}8L هم نیرو و هم داده را از طریق همین اتصال M.2 دریافت می‌کند. CPU Pi 5 شما سیستم عامل، منطق برنامه و پیش پردازش را کنترل می کند، در حالی که تراشه Hailo در زمانی که نیاز به استنتاج شبکه عصبی است، کنترل می شود.

تاثیر اتصال PCIe بر عملکرد

سرعت اتصال در اینجا اهمیت زیادی دارد. آزمایش نشان می‌دهد که نرخ فریم هنگام اجرای PCIe Gen 3 در مقایسه با Gen 2 در همان مدل YOLOv8s دو برابر می‌شود (منبع: forums.raspberrypi.com، 2024). Pi 5 از PCIe Gen 3 x1 پشتیبانی می‌کند و تقریباً 1 گیگابایت بر ثانیه پهنای باند بین CPU و شتاب‌دهنده هوش مصنوعی{12}}برای اکثر وظایف بینایی رایانه بدون گلوگاه کافی به شما می‌دهد.

Hailo-8L به راندمان 3-4 TOPS در هر وات دست می یابد و آن را در کنار دستگاه های Jetson Orin انویدیا از نظر عملکرد به ازای هر دلار و عملکرد در هر وات قرار می دهد (منبع: jeffgeerling.com، 2024). وقتی مصرف بیکار 3-4 وات Pi 5 را در نظر بگیرید، کل سیستم در حین پردازش بارهای کاری هوش مصنوعی انرژی کمتری نسبت به شارژر تلفن مصرف می کند.

در داخل Hailo-8L: شتاب شبکه عصبی توضیح داده شد

Hailo-8L یک-پردازنده همه منظوره- نیست، بلکه یک ASIC (مدار مجتمع ویژه برنامه) است که منحصراً برای اجرای کارآمد شبکه های عصبی طراحی شده است. به آن مانند یک کارت گرافیک فکر کنید، اما به جای رندر مثلث ها، برای ضرب ماتریس و پیچش هایی که مدل های هوش مصنوعی را تقویت می کنند، بهینه شده است.

این تراشه از یک معماری اختصاصی استفاده می کند که Hailo آن را "Structured ASIC" می نامد. بدون عمیق شدن بیش از حد در طراحی سیلیکون، این بدان معناست که تراشه دارای واحدهای سخت افزاری برای عملیات های مختلف شبکه عصبی است: لایه های کانولوشن، توابع فعال سازی، عملیات ادغام، و لایه های کاملا متصل همگی مسیرهای اجرای بهینه خود را دارند.

استنتاج در واقع چگونه اتفاق می افتد

هنگامی که مدلی مانند YOLOv8 را برای تشخیص اشیا اجرا می کنید، گردش کار ساده شده در اینجا آمده است:

دوربین شما فریم ها را می گیرد و آنها را به CPU Pi ارسال می کند. CPU پیش پردازش تصویر را انجام می دهد-تغییر اندازه به ابعاد ورودی مدل، تبدیل فضاهای رنگی، عادی سازی مقادیر پیکسل. این داده های از پیش پردازش شده از طریق گذرگاه PCIe به Hailo-8L ارسال می شود. شتاب دهنده شبکه عصبی را اجرا می کند و نتایج تشخیص خام (جعبه های مرزی، امتیازات اطمینان، پیش بینی کلاس ها) را به بیرون می دهد. CPU این نتایج را دریافت می‌کند و برای حذف شناسایی‌های تکراری، طراحی جعبه‌های روی تصویر، به‌روزرسانی رابط کاربری برنامه شما،-پردازش-پست‌های غیرحداکثری را کنترل می‌کند.

زیبایی این تقسیم کار در معیارها نمایان می شود. آزمایش‌ها نشان می‌دهند که کیت هوش مصنوعی در حال اجرا با دست و تشخیص نقطه عطف با ۲۶-۲۸ فریم در ثانیه تا ۵.۸ برابر سریع‌تر از اجرای مدل‌های TensorFlow Lite تنها بر روی CPU Pi 5 (منبع: raspberrypi.com، 2024).

فرمت های مدل پشتیبانی شده

Hailo-8L مدل های استاندارد TensorFlow یا PyTorch را مستقیماً اجرا نمی کند. شما باید مدل های خود را با استفاده از Hailo's Dataflow Compiler تبدیل کنید، که آنها را برای معماری تراشه بهینه می کند. فرآیند کامپایل، مدل آموزش دیده شما (معمولا فرمت ONNX) را می گیرد و با استفاده از کوانتیزاسیون و سایر بهینه سازی ها، آن را به سخت افزار Hailo نگاشت می کند.

مدل‌های از قبل کامپایل‌شده برای معماری‌های رایج از طریق Hailo Model Zoo در دسترس هستند: ResNet-50 با سرعت 500 FPS، YOLOv5، انواع YOLOv8 در اندازه‌های مختلف، MobileNet برای طبقه‌بندی سبک وزن، و مدل‌های تخمین پوز اجرا می‌شود. اگر با مدل‌های سفارشی کار می‌کنید، گردش کار کامپایل به مقداری یادگیری نیاز دارد اما از شیوه‌های استاندارد استقرار هوش مصنوعی پیروی می‌کند.

مدیریت مصرف برق و حرارت

یکی از چشمگیرترین مشخصات کیت هوش مصنوعی، بهره وری انرژی است. Hailo-8L معمولاً 1-2 وات در طول استنتاج فعال می کشد، با پیک های حدود 5 وات بسته به پیچیدگی مدل و نرخ فریم (منبع: theregister.com، 2024). در ترکیب با مصرف پایه Pi 5، تقریباً 5 تا 9 وات کل توان سیستم تحت بارهای کاری هوش مصنوعی را مشاهده می کنید.

ماژول M.2 شامل یک هیت سینک کوچک است و در عملکرد عادی، خنک کننده غیرفعال کافی است. من متوجه شده‌ام که تراشه به اندازه‌ای خنک می‌ماند که گلوگاه حرارتی برای برنامه‌های بینایی کامپیوتری معمولی نگران کننده نیست. برای پروژه‌های محصور شده یا سناریوهای بار{3} مداوم، افزودن یک فن به کیس Pi 5 شما به CPU و شتاب‌دهنده هوش مصنوعی کمک می‌کند تا اوج عملکرد را حفظ کنند.

مقایسه این با گزینه‌های جایگزین، ارزش پیشنهادی را نشان می‌دهد: یک Nvidia Jetson Orin Nano حدود 249 دلار شروع می‌شود و 7-15 وات تحت بار مصرف می‌کند. شتاب دهنده USB Coral گوگل 60 دلار قیمت دارد اما تنها 4 TOPS را ارائه می دهد و به پهنای باند USB 3.0 نیاز دارد. Intel Neural Compute Stick 2 متوقف شده است. کیت هوش مصنوعی به نقطه ای شیرین از قیمت، عملکرد و بهره وری انرژی رسیده است که قبل از سال 2024 وجود نداشت.

پشته نرم افزار: از سیستم عامل تا برنامه

کیت AI به Raspberry Pi OS (64{2}}bit) Bookworm یا جدیدتر نیاز دارد. Hailo مجموعه نرم‌افزاری را ارائه می‌کند که شامل درایورهای هسته برای ارتباطات PCIe، کتابخانه‌های زمان اجرا که بارگذاری و استنتاج مدل را مدیریت می‌کنند، پیوندهای پایتون برای ادغام آسان، و ادغام برنامه‌های rpicam- برای پروژه‌های مبتنی بر دوربین است.

راه اندازی اولین مدل شما

اگر از راهنمای رسمی پیروی کنید، نصب حدود 15 دقیقه طول می کشد. پس از فلش کردن سیستم عامل و اتصال سخت افزار، اسکریپت نصب Hailo را اجرا می کنید که ماژول ها و کتابخانه های هسته لازم را اضافه می کند. بسته برنامه‌های rpicam{3}}به‌روزرسانی می‌شود تا از Hailo پشتیبانی کند و به شما امکان می‌دهد مدل‌های هوش مصنوعی را مستقیماً از خط لوله دوربین اجرا کنید.

آزمایش با دموهای ارائه شده سیستم را در عمل نشان می دهد:

rpicam-سلام -{{3}post-process-file /usr/share/rpicam-assets/hailo_yolov8_pose.json

این دستور فریم‌های دوربین را می‌گیرد، آن‌ها را از طریق یک مدل تخمین وضعیت روی تراشه Hailo اجرا می‌کند و نتایج را در زمان واقعی- نمایش می‌دهد. نرخ فریم به پیچیدگی مدل بستگی دارد-مدل‌های سبک‌تر مانند YOLOv8n دارای 60+ FPS هستند در حالی که نسخه‌های سنگین‌تر مانند YOLOv8m ممکن است با سرعت 20-30 فریم در ثانیه اجرا شوند.

برای توسعه Python، گردش کار مانند OpenCV استاندارد به‌علاوه Hailo{0}}فراخوان‌های خاص به نظر می‌رسد:

شما کتابخانه HailoRT را وارد می کنید، فایل مدل کامپایل شده خود را بارگذاری می کنید، فریم های از پیش پردازش شده را به مدل تغذیه می کنید، نتایج استنتاج را بازیابی می کنید و خروجی ها را در منطق برنامه خود پردازش می کنید. API بیشتر پیچیدگی ها را خلاصه می کند، اگرچه درک قالب های تانسور ورودی/خروجی نیازمند خواندن مستندات مدل است.

نمونه‌های کاربردی واقعی{0}}جهانی

چندین پروژه اجرای عملی کیت هوش مصنوعی را نشان می دهد. یک سیستم مدیریت موجودی خرده‌فروشی از کیت هوش مصنوعی برای شناسایی محصولات در قفسه‌ها استفاده می‌کند، در حالی که EfficientNet بر روی CPU برای نفوذ به انبار نظارت می‌کند (منبع: forums.raspberrypi.com، 2024). رویکرد مدل دوگانه نشان می‌دهد که چگونه می‌توانید استنتاج سریع را با مدل‌های مبتنی بر CPU{7}}در صورت نیاز ترکیب کنید.

برنامه‌های امنیتی از قابلیت‌های{0}زمان واقعی کیت بهره می‌برند. سیستم‌های تشخیص چهره، جریان‌های ویدیویی را با سرعت 25 تا 30 فریم در ثانیه پردازش می‌کنند و کنترل ورودی یا ثبت بازدیدکنندگان را بدون وابستگی به ابر امکان‌پذیر می‌سازند. تخمین پوس برای برنامه های تناسب اندام که فرم تمرین را دنبال می کنند یا تعداد تکرارها را می شمارند، به اندازه کافی سریع اجرا می شود.

پروژه‌های پایش حیات وحش از مصرف کم انرژی-خورشیدی-تله‌های دوربین با استفاده از موقعیت و تشخیص اشیا برای شناسایی حیوانات و رفتارهای آنها بدون تغییر مکرر باتری استفاده می‌کنند. ترکیبی از تطبیق پذیری Pi و هوش مصنوعی شتاب‌دار سخت‌افزاری-، استقرار لبه‌های غیرعملی قبلی را قابل اجرا می‌سازد.

[پیشنهاد عنصر بصری: درج نموداری که جریان داده را از دوربین → Pi CPU (پیش پردازش) → PCIe → Hailo-8L (استنتاج) → Pi CPU (نتایج) → نمایشگر/ذخیره‌سازی]

محدودیت ها و زمان عدم استفاده از کیت هوش مصنوعی

کیت برای استنباط عالی کار می کند، اما در آموزش مدل{0} که همچنان به GPUهای ابری یا ایستگاه های کاری نیاز دارد کمکی نمی کند. 13 TOPS ممکن است چشمگیر به نظر برسد، اما به سختی مرکز داده نزدیک نیست. مدل‌های پیچیده یا چندین جریان استنتاج همزمان می‌توانند شتاب‌دهنده را تحت تأثیر قرار دهند.

سازگاری مدل نیاز به توجه دارد. شما در معماری هایی که کامپایلر Hailo پشتیبانی می کند قفل شده اید. مدل‌های پیشرفته-از مقالات تحقیقاتی ممکن است کارساز نباشند مگر اینکه Hailo پشتیبانی اضافه کند یا زمانی را برای جمع‌آوری سفارشی صرف کنید. باغ وحش مدل بیشتر موارد استفاده را پوشش می دهد، اما برنامه های کاربردی تخصصی ممکن است به راه حل هایی نیاز داشته باشند.

تأخیر برای برخی از برنامه ها اهمیت دارد. در حالی که Hailo-8L سریع است، زمان رفت و برگشت- ارسال داده از طریق PCIe، اجرای استنتاج و برگرداندن نتایج، چند میلی ثانیه در مقایسه با NPU های یکپارچه اضافه می کند. برای روباتیک یا سیستم‌های کنترل بلادرنگ که هر میلی‌ثانیه اهمیت دارد، این تاخیر خط لوله ممکن است قابل توجه باشد.

محدودیت های بودجه بر ارزش پیشنهادی تأثیر می گذارد. اگر قبلاً یک Pi 5 دارید، کیت هوش مصنوعی 70 دلاری بی‌-هیچ فکری است. اگر از صفر شروع می‌کنید، 130+ دلار برای سیستم کامل (Pi 5 + AI Kit + منبع تغذیه + ذخیره‌سازی) هزینه می‌کنید، در این مرحله رقبای Jetson Nano بسته به نیازهای عملکرد شما رقابتی به نظر می‌رسند.

مقایسه مشخصات سخت افزاری

انواع AI HAT+ سازگاری بهتری با بدنه Pi 5 و طراحی مکانیکی بهبود یافته ارائه می‌دهند، اما عملکردی یکسان با کیت اصلی در ردیف 13 TOPS ارائه می‌کنند (منبع: electronicsweekly.com، 2025). نسخه 26 TOPS برای برنامه هایی که نیاز به پردازش ورودی های با وضوح بالاتر یا اجرای مدل های پیچیده تر دارند، توان عملیاتی را دو برابر می کند.

مشکلات راه‌اندازی و راه‌حل‌های رایج

کیت هوش مصنوعی پس از نصب شناسایی نمی شود

این معمولاً یک مشکل شمارش PCIe را نشان می دهد. بررسی کنید که PCIe را در فایل config.txt Pi فعال کرده‌اید و M.2 HAT روی همه پین‌های GPIO محکم باشد. در حال اجرا lspci باید دستگاه Hailo را نشان دهد اگر اتصال کار می کند.

مدل ها کندتر از حد انتظار کار می کنند

بررسی کنید که واقعاً از شتاب دهنده Hailo استفاده می کنید و به استنتاج CPU باز نمی گردید. گزارش ها را برای وجود خطا در حین بارگذاری مدل بررسی کنید. مطمئن شوید که مدل شما به درستی برای معماری Hailo کامپایل شده است{2}}تلاش برای اجرای مدل‌های تبدیل‌نشده با شکست مواجه می‌شود یا به‌طور پیش‌فرض به اجرای CPU می‌رسد.

سیستم تحت بارگیری از کار می افتد

مشکلات منبع تغذیه باعث بیشتر مشکلات پایداری می شود. Pi 5 به حداقل 5V/5A (27W) نیاز دارد و کیت AI به این نیاز اضافه می کند. از منبع تغذیه رسمی Raspberry Pi 27W یا معادل آن استفاده کنید. توان ناکافی باعث افت ولتاژ می شود که در حین استنتاج پیک سیستم را خراب می کند.

یکپارچه سازی دوربین کار نمی کند

ادغام Hailo برنامه‌های rpicam{0}}به نسخه‌های rpicam خاصی نیاز دارد. قبل از عیب یابی بیشتر، همه چیز را با به روز رسانی sudo apt و ارتقا sudo apt به روز کنید. برخی از ماژول های دوربین برای کار بهینه با خط لوله هوش مصنوعی نیاز به تغییرات پیکربندی در /boot/config.txt دارند.

آینده-سرمایه گذاری خود را اثبات کنید

طراحی مدولار به این معنی است که می توانید به طور مستقل ارتقا دهید. در حال حاضر، ممکن است کیت هوش مصنوعی 70 دلاری را با 13 تاپ اجرا کنید. در سال آینده، اگر برنامه شما به عملکرد بیشتری نیاز دارد، 26 TOPS AI HAT+ را با 110 دلار بدون تعویض Pi 5 خود تعویض کنید. پشته نرم افزار با تراشه های Hailo-8L و Hailo-8 سازگار است.

Hailo به توسعه باغ وحش مدل خود و بهبود پشتیبانی کامپایلر ادامه می دهد. مدل‌هایی که در ژوئن 2024 به بهینه‌سازی دستی نیاز داشتند، اکنون نسخه‌های{2}}ترجمه‌شده‌ای دارند. این روند با بلوغ پلت فرم شتاب می گیرد. اکوسیستم پیرامون پروژه‌های هوش مصنوعی مبتنی بر Pi به سرعت رشد می‌کند-تالارها، آموزش‌ها، و ابزارهای شخص ثالث-هر ماه پیاده‌سازی را آسان‌تر می‌کنند.

به روز رسانی نرم افزار بهبود عملکرد را نیز به همراه دارد. بنچمارک‌های اولیه مدل‌های خاصی را نشان می‌دهند که با X FPS کار می‌کنند. درایورهای بهینه شده و به‌روزرسانی‌های میان‌افزار این اعداد را بدون تغییر سخت‌افزار 10 تا 20 درصد افزایش داده‌اند. به روز بودن با سیستم عامل و بسته های Hailo قابلیت های کیت شما را به حداکثر می رساند.

سوالات متداول

آیا کیت هوش مصنوعی Raspberry Pi با مدل های قدیمی Pi کار می کند؟

خیر، کیت AI به Raspberry Pi 5 نیاز دارد. اتصال PCIe برای ارتباط با پهنای باند بالا بین CPU و شتاب دهنده ضروری است. مدل‌های قبلی Pi فاقد پشتیبانی از PCIe هستند که باعث می‌شود با این معماری ناسازگار باشند.

آیا می توانم چندین مدل هوش مصنوعی را به طور همزمان اجرا کنم؟

بله، اما عملکرد به پیچیدگی مدل و نرخ فریم بستگی دارد. Hailo-8L می‌تواند بین مدل‌ها زمان- برش دهد، اگرچه اجرای همزمان مدل‌های سنگین نرخ فریم را کاهش می‌دهد. پروژه های عملی اغلب یک مدل تسریع شده و یک یا چند مدل مبتنی بر CPU را به صورت موازی اجرا می کنند.

تدوین مدل چقدر طول می کشد؟

مدل های ساده در 5-15 دقیقه در یک لپ تاپ مناسب جمع آوری می شوند. مدل های پیچیده با چندین لایه ممکن است 30-60 دقیقه طول بکشد. شما فقط یک بار در هر مدل کامپایل می کنید، سپس فایل .hef کامپایل شده را در Pi خود مستقر می کنید. مدل های از پیش کامپایل شده از باغ وحش مدل به هیچ وجه نیاز به کامپایل ندارند.

آیا کیت هوش مصنوعی بدون اتصال به اینترنت کار می کند؟

کاملا. هنگامی که نرم افزار را نصب کردید و مدل های خود را کامپایل کردید، همه چیز به صورت محلی اجرا می شود. این باعث می‌شود کیت برای برنامه‌های{2}}حساس حریم خصوصی، استقرار از راه دور، یا هر جایی که دسترسی به شبکه غیرقابل اعتماد یا در دسترس نیست، ایده‌آل باشد.

آیا می توانم مدل ها را مستقیماً روی کیت هوش مصنوعی آموزش دهم؟

خیر، Hailo-8L یک سخت افزار فقط استنتاج است. آموزش به بهینه سازی های سخت افزاری مختلف و قدرت قابل ملاحظه ای نیاز دارد. گردش کار معمولی شامل آموزش بر روی پردازنده‌های گرافیکی ابری یا ایستگاه‌های کاری با PyTorch/TensorFlow، تبدیل به فرمت ONNX، کامپایل کردن با ابزارهای Hailo و سپس استقرار مدل کامپایل‌شده در Pi شما است.

تفاوت بین کیت AI و AI HAT + چیست؟

کیت اصلی هوش مصنوعی M.2 HAT را با ماژول Hailo-8L با قیمت 70 دلار همراه می کند. AI HAT+ یک برد اصلاح شده با سازگاری بهتر با کیس است که با 13 TOPS Hailo-8L (70 دلار) یا 26 TOPS Hailo-8 (110 دلار) در دسترس است. عملکرد در رده 13 TOPS یکسان است. بر اساس در دسترس بودن و اینکه آیا به طراحی فیزیکی بهبود یافته نیاز دارید، انتخاب کنید.

کیت هوش مصنوعی چگونه با وضوح تصویر متفاوت برخورد می کند؟

شتاب دهنده هر رزولوشنی را پردازش می کند که مدل شما بر روی آن-معمولاً 640x640 یا مشابه آن برای تشخیص اشیا آموزش دیده است. CPU شما اندازه ورودی دوربین را تغییر می دهد تا با ابعاد مورد انتظار مدل مطابقت داشته باشد. وضوح ورودی بالاتر نیاز به زمان پیش پردازش بیشتری دارد اما مستقیماً بر سرعت استنتاج Hailo تأثیر نمی گذارد زیرا اندازه ورودی مدل ثابت می ماند.

آیا Hailo-8L با مدل های TensorFlow Lite سازگار است؟

نه مستقیم. شما باید مدل های TensorFlow Lite را به فرمت ONNX تبدیل کنید، سپس آنها را با کامپایلر Dataflow Hailo کامپایل کنید. بسیاری از معماری‌های رایج TensorFlow Lite پشتیبانی می‌شوند، اما فرآیند تبدیل ممکن است بسته به پیچیدگی مدل و عملیات استفاده‌شده به تنظیمات نیاز داشته باشد.

برداشتن اولین قدم ها

برای درک ویژگی‌های عملکرد قبل از فرو رفتن در مدل‌های سفارشی، از نسخه‌های نمایشی از قبل کامپایل‌شده شروع کنید. نمونه‌های تشخیص شی و تخمین موقعیت، قابلیت‌های کیت را بدون نیاز به دانش تدوین مدل نشان می‌دهند. هنگامی که با سخت افزار راحت شدید، مدل های مختلف باغ وحش مدل Hailo را آزمایش کنید تا تعادل بین دقت و سرعت برنامه خود را بیابید.

کیت هوش مصنوعی Raspberry Pi نشان دهنده تغییر قابل توجهی در دسترسی به هوش مصنوعی لبه است. برای اولین بار، علاقه‌مندان و توسعه‌دهندگان مقیاس کوچک-می‌توانند سیستم‌های بینایی رایانه‌ای پیچیده را با عملکردی که قبلاً به سخت‌افزار گران‌قیمت یا وابستگی به ابر نیاز داشت، به کار گیرند. ترکیبی از اکوسیستم Raspberry Pi و شتاب دهنده کارآمد Hailo امکاناتی را ایجاد می کند که تا سال 2024 در رده زیر-100 دلاری وجود نداشت.

چه در حال ساخت یک دوربین امنیتی هوشمند، یک سیستم بازرسی صنعتی یا آزمایش با هوش مصنوعی در لبه باشید، کیت هوش مصنوعی اسب بخار محاسباتی را برای اجرای آن پروژه ها فراهم می کند. معماری ثابت شده است، نرم افزار به سرعت در حال رشد است، و جامعه فعالانه در حال ساخت راه حل هایی است که می توانید از آنها بیاموزید و با آنها سازگار شوید.