Google Coral DEV Board Coral Dev Board 1GB 4 x 1.5GHz versandkostenfrei

Produktbeschreibung

Überblick

Quad-Core ARM Cortex-A53 (@1.5 GHz, 64-bit ARMv8-A) + Cortex-M4F
Vivante GC7000Lite GPU (supports Vulkan), 32 GFLOPs 32-bit or 64 GFLOPs 16-bit
4K @ 60 fps HEVC/H.265 main und main 10 decoder
4K @ 60 fps VP9, 4K @ 30 fps AVC/H.264 decoder (benötigt volle Systemleistung)
1080p @ 60 fps MPEG-2, MPEG-4, MJPEG, H.263 decoder
Google Edge TPU ML Beschleuinigungs Co-Prozessor

Beschreibung

Das Google Coral Dev Board 1GB ist ein leistungsfähiger Single-Board Computer (SBC) mit eingebautem Real-Time Inferenz-Modul (Deep Learning / Machine Learning, EdgeTPU)

Das Coral Dev 1 GB ist ein Development Board auf Basis des Google Coral SoM (System-on-Module) mit 1GB RAM und 8GB eMMC Flash. Im Gegensatz zum Coral USB Accelerator, ist dieses Development Board eine stand-alone Plattform, auf der Sie Ihre Anwendung komplett laufen lassen können.

Mit der Edge TPU können Tensor Flow Lite Modelle schnell und energiesparend für Inferenz genutzt werden. Ein besonderer Vorteil dieser Lösung: Ihre Daten bleiben lokal. Das hilft bei der Latenz, und natürlich beim Datenschutz.

Google nutzt zunehmend künstliche Intelligenz (AI) und maschinelles Lernen (ML) um seine Dienstleistungen zu realisieren. Dazu entwickelte es für seine Rechenzentren spezialisierte Prozessoren namens TPU ("tensor processing unit"), die die Algorithmen mit dem TensorFlow Framework schneller und energiesparender ausführen können. Beispielsweise wird Google Maps durch von Street View aufgenommene Straßenschilder verbessert, die mit Hilfe eines auf TensorFlow basierenden neuronalen Netzes analysiert werden. Der Clou: TensorFlow kann einfach in Python programmiert werden.

Die Edge TPU unterstützt das TensorFlow Lite Framework. Die Edge TPU kann bis zu 4 Billionen Rechenoperationen pro Sekunde mit nur 2 W Verbrauch durchführen. TensorFlow Lite ist eine abgewandelte Variante von TensorFlow, die speziell auf den Bedarf mobiler Endgeräte und von embedded devices angepasst wurde. Viele TensorFlow Anwendungen lassen sich auch in TensorFlow Lite realisieren.