Renesas har udgivet AI Navigator, der er et udviklingsmiljø til vision-AI. Det er en løsning, som kan bruges af designere, der kun lige er startet med udvikling af embeddede AI-løsninger på en nem og enkel måde
Artiklen har været bragt i Aktuel Elektronik nr. 2 – 2025 og kan læses herunder uden illustrationer
(læs originaludgaven her)
Af Takaaki Suezawa, Renesas Electronics
Med den hastige udvikling af AI er der opstået et stigende antal tilfælde, hvor firmaer udvikler deres egne AI-modeller og -applikationer. Erfaringsgrundlaget inden for AI-vision varierer fra designer til designer, og mange af Renesas’ kunder er først for nylig begyndt at udvikle embedded AI. Kunder til AI står over for en række udfordringer, når de skal udvikle AI-baseret elektronik:
Først og fremmest er der forskellene inden for udviklingsprocesserne inden for software. Ud over udviklingen af regulært embedded software kræver AI softwaredesign et vist udviklingsflow inden for selve AI-softwaren. Man skal indledningsvis opsamle de data, der kræves til AI-træningen i henhold til de ønskede specifikationer, hvorefter man kan designe en AI-model. Efter brug af den designede AI-model til træning af AI’en og verificering af præcisionen, skal den trænede AI-model optimeres og konverteres til et format, der kan køre på komponenten. Siden kræves der et antal skridt, så modellen kan indarbejdes i en AI-applikation og anvendes i en faktisk komponent. Desuden kan præcisionen vise sig at være utilstrækkelig i den valgte komponent, så man bliver tvunget til at gå tilbage i processen for at forbedre præcisionen – og måske gentage udviklingsflowet flere gange.
Et andet punkt er den mulige manglende viden og erfaring om den type af software-udvikling, som generelt kræver et kodelinjebaseret miljø, der igen kræver installation og setup af den nødvendige software. Eventuelle forskelle i udviklingsmiljøerne kan være en barriere for mange begyndere – som i ingen erfaring i udvikling af edge-AI og intet kendskab i forhold til AI.
På grund af disse udfordringer oplever vi hos Renesas, at mange af vores kunder har svært ved at komme i gang med udvikling af AI-software. Renesas har derfor udgivet AI Navigator som et udviklingsmiljø til vision-AI, og det er en løsning, som kan bruges af designere, der først lige er startet med udvikling af embeddede AI-løsninger.
Hvad er AI Navigator?
AI Navigator er et end-to-end værktøj til udvikling af vision-AI-applikationer. Værktøjet supporterer RZ/V2L- og RZ/V2H-grupperne i RZ/V-serierne af mikrocontrollere. Blandt de faciliteter og funktioner, som AI Navigator indeholder, finder man:
• AI-applikationer og AI-værktøjer fra Renesas er alle integrerede i AI Navigator.
• Man kan vælge en AI-applikation fra ”AI applikations-zoo” i Renesas IDE-miljø ”e2 studio” og derefter nemt køre AI-applikationen på et evaluerings-board.
• AI Navigator giver adgang til træningsfunktioner til AI-modeller samt en konverteringsfunktion til at afvikle de indlærte resultater på en AI accelerator.
Disse funktioner gør ikke bare Renesas kunder i stand til at bruge AI-applikationer, men hjælper også designere til at kundetilpasse AI-modeller til at passe til individuelle bruger-cases.
Tre eksempler på praktisk brug
Ved at bruge AI-Navigator kan man kundetilpasse sin AI-model. Vi kan forklare kundetilpasningen med følgende tre eksempler:
1. Ændring af de parametre, der skal identificeres:
Lad os for eksempel sige, at man har en model, der kan identificere 20 forskellige hunderacer. Hvis vi taler om hunderacer, så er de mest populære pudler og små gravhunde. Hvis man giver sin AI-applikation et billede af en sådan hund som input, vil AI-applikationen estimere, hvilken hunderace billedet ligner mest. Hvis man nu i stedet vil designe en AI-model, der kan identificere 20 racer af katte med den samme basismodel, så skal man indlæse data for 20 forskellige katteracer. Man kan designe en AI-model, der kan identificere en AI-træningsmetode kaldet ”transfer learning”, som anvender den oprindelige hunde-identificeringsmodel sammen med data for kattebilleder. AI Navigator supporterer denne slags transfer learning, så man let kan afprøve variationer med værktøjet.
2. Ændring i antallet af genstande, som skal identificeres:
Dette er en case, hvor man vil designe en model, der kan identificere 30 hunderacer på basis af modellen, som identificerer 20 hunderacer som nævnt i eksempel 1. I det tilfælde skal man blot tilføje nye data for de 10 ekstra hunderacer til de oprindelige 20 hunderacer fra basismodellen. Hermed kan man så udføre transfer learning.
3. Forbedret præcision i identificeringen:
Dette er en case, hvor man ønsker at identificere hunde på en given komponent, og hvor man har en AI-model, der allerede er trænet. Man vil så køre modellen på den faktiske komponent, men præcisionen er ikke så høj, som man måske forventer. Det er en erfaringsmæssigt ret almindelig oplevelse. Der kan være flere grunde til denne mangel på præcision, men den mest almindelige grund er, at de billeddata, som er blevet brugt til træningen, er forskellige fra billeddata-input i den faktiske komponent. Hvis data er indlært med data, der er forskellige fra den faktiske bruger-case, som forskellige synsvinkler eller varierende brightness, så opnår man ganske ofte ikke en tilstrækkelig præcision. For at løse det problem kan man forbedre AI-præcisionen ved at tilføje billeddata med brug af det kamera, som bruges i den faktiske applikation til træning af data. Det er en opgave, som AI Navigator også kan håndtere.
To udviklingsflows
I brugen af AI Navigator er der to udviklingsflows, Case 1 og Case 2. I Case 1 kan man vælge en AI-applikation i AI Navigator og køre den valgte AI-applikation på evaluerings-boardet med det samme. Da en allerede bygget AI-applikation er i brug, er der ingen grund til at bygge en konkret fysisk model. I Case 2 – som tidligere nævnt – handler det om at kundetilpasse AI-modellen. Ligesom i Case 1 kan man vælge en AI-applikation og gentræne den med transfer learning-værktøjet. Den gentrænede AI-model er output som objekt for DRP-AI i DRP-AI TVM. Herefter kan man udvikle og bygge en AI-applikation og køre den på evaluerings-boardet. AI Navigator er inkluderet i e2-studio, så man kan bruge den under installation af e2-studio.
Vi har hos Renesas fremstillet en række undervisningsvideoer som guide til og introduktion af AI Navigator:
• AI Navigator Tutorial #1 – Run AI Application: http://www.renesas.com/video/ai-navigator-tutorial-1-run-ai-application.
• AI Navigator Tutorial #2 – Customize AI model by Transfer Learning Tool: http://www.renesas.com/video/ai-navigator-tutorial-2-customize-ai-model-transfer-learning-tool.
• AI Navigator Tutorial #3 – How to develop an AI model with Transfer Learning Tool: http://www.renesas.com/video/ai-navigator-tutorial-3-how-develop-ai-model-transfer-learning-tool.
AI Navigator er kort fortalt et perfekt værktøj for begyndere inden for udvikling af vision-AI, så man hurtigt kan komme i gang med den praktiske AI-applikationsudvikling.
Referencer
• Quick Start Guide: https://renesas-rz.github.io/rzv_ai_sdk/latest/ainavi_quick_start_guide.
• Download link: http://www.renesas.com/software-tool/e2studio-information-rz-family.
• AI Applications (AI application zoo): https://renesas-rz.github.io/rzv_ai_sdk/latest/#ai-applications.
• [Blogs] Let’s find the AI Apps You Want, Introducing Renesas AI Apps Available Free of Charge: http://www.renesas.com/blogs/lets-find-ai-apps-you-want-introducing-renesas-ai-apps-available-free-charge.
• Transfer Learning Tool: https://renesas-rz.github.io/rzv_ai_sdk/latest/howto_retrain.html.
Billedtekster:
1: Forskel mellem traditionel kodelinje software-udvikling og det samme for AI-applikationer.
2: Det er kun de færreste designere, der har den fornødne viden om AI-applikationsudvikling som udgangspunkt. Derfor har mange virksomheder svært ved at komme i gang med udvikling af AI-modeller.
3: Med Renesas’ AI Navigator kan man ganske let tilpasse sin AI-model til faktiske komponenter eller applikationer.
4: Ændringer af de billeder, som en AI-applikation skal kunne identificere.
5: Eksempel på udviklingsflow i brugen af AI Navigator.