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

Модуль акселератора Coral M.2 Accelerator with Dual Edge TPU від Google — це апаратне рішення для прискорення машинного навчання в існуючих системах. Він дозволяє інтегрувати два процесори Edge TPU у пристрої з роз'ємом M.2 Key E, забезпечуючи високу продуктивність при низькому енергоспоживанні.

• Пікова продуктивність 8 TOPS (int8) для швидкого виконання ML-моделей
• Два копроцесори Edge TPU з ефективністю 2 TOPS на ват
• Компактні розміри 22 × 30 × 2,8 мм для вбудованих систем
• Робочий діапазон температур від -40 до 85 °C
• Інтерфейс M.2 Key E з підтримкою PCIe Gen2 x1
• Сумісність з Debian Linux та Windows 10

Висока продуктивність інференсу

Модуль оснащений двома копроцесорами Edge TPU, кожен з яких виконує 4 трильйони операцій на секунду. Загальна пікова продуктивність становить 8 TOPS (int8), що дозволяє запускати сучасні мобільні моделі комп'ютерного зору, такі як MobileNet v2, зі швидкістю близько 400 кадрів на секунду.

Енергоефективність та інтеграція

Завдяки ефективності 2 TOPS на ват, модуль споживає всього 0,5 Вт на кожен TOPS, що дозволяє використовувати його в пристроях з обмеженим енергоживленням. Компактні розміри 22 × 30 × 2,8 мм та форм-фактор M.2-2230-D3-E дозволяють легко вбудовувати акселератор у мінікомп'ютери та вбудовані платформи.

Широкі можливості підключення

Модуль використовує інтерфейс PCIe Gen2 x1 (по одному каналу на кожен Edge TPU) та спроектований для встановлення у стандартні гнізда Mini PCIe. Він сумісний з платформами ARM та x86, а також працює під керуванням Debian Linux та Windows 10.

Підтримка екосистеми TensorFlow

Акселератор повністю підтримує моделі TensorFlow Lite та AutoML Vision Edge, що спрощує розробку та розгортання користувацьких моделей класифікації зображень без необхідності створювати архітектури з нуля. Виробник надає повну документацію та приклади коду для швидкого старту.

Модуль Coral M.2 Accelerator призначений для інтеграції у вбудовані системи та мінікомп'ютери, які потребують локального прискорення ML-задач у пристроях з обмеженими ресурсами, забезпечуючи баланс між швидкістю обробки та енергоспоживанням.