Модуль-ускоритель Coral M.2 Accelerator Dual Edge TPU Google, 8 TOPS

Модуль акселератора Coral M.2 Accelerator with Dual Edge TPU от Google — это аппаратное решение для ускорения машинного обучения в существующих системах. Он позволяет интегрировать два процессора Edge TPU в устройства с разъемом M.2 Key E, обеспечивая высокую производительность при низком энергопотреблении.

• Пиковая производительность 8 TOPS (int8) для быстрого выполнения ML-моделей
• Два сопроцессора Edge TPU с эффективностью 2 TOPS на ватт
• Компактные размеры 22 × 30 × 2,8 мм для встроенных систем
• Рабочий диапазон температур от -40 до 85 °C
• Интерфейс M.2 Key E с поддержкой PCIe Gen2 x1
• Совместимость с Debian Linux и Windows 10

Высокая производительность инференса

Модуль оснащен двумя сопроцессорами Edge TPU, каждый из которых выполняет 4 триллиона операций в секунду. Общая пиковая производительность составляет 8 TOPS (int8), что позволяет запускать современные мобильные модели компьютерного зрения, такие как MobileNet v2, со скоростью около 400 кадров в секунду.

Энергоэффективность и интеграция

Благодаря эффективности 2 TOPS на ватт, модуль потребляет всего 0,5 Вт на каждый TOPS, что позволяет использовать его в устройствах с ограниченным энергопитанием. Компактные размеры 22 × 30 × 2,8 мм и форм-фактор M.2-2230-D3-E позволяют легко встраивать акселератор в мини-компьютеры и встроенные платформы.

Широкие возможности подключения

Модуль использует интерфейс PCIe Gen2 x1 (по одному каналу на каждый Edge TPU) и спроектирован для установки в стандартные гнезда Mini PCIe. Он совместим с платформами ARM и x86, а также работает под управлением Debian Linux и Windows 10.

Поддержка экосистемы TensorFlow

Акселератор полностью поддерживает модели TensorFlow Lite и AutoML Vision Edge, что упрощает разработку и развертывание пользовательских моделей классификации изображений без необходимости создавать архитектуры с нуля. Производитель предоставляет полную документацию и примеры кода для быстрого старта.

Модуль Coral M.2 Accelerator предназначен для интеграции во встроенные системы и мини-компьютеры, которые нуждаются в локальном ускорении ML-задач в устройствах с ограниченными ресурсами, обеспечивая баланс между скоростью обработки и энергопотреблением.