マガジンのカバー画像

ゼロから作るIoT

38
本
【技術者向け】ハードウェアから無線技術、クラウドアーキテクチャからデータ分析手法まで、IoTに関する知識を総ざらいし、実践すればIoTサービスが使えるように書いています！
運営しているクリエイター
imaimai

【まとめ】AWSでエッジコンピューティングができる環境を作ってみた

AWSでエッジコンピューティング環境を作る 最終回です！(時間が空いてしまいました。) 試行錯誤しながらラズパイとAWSを用いて エッジコンピューティングを実現してきました。最後に、まとめと今後の展望を載せておこうと思います。 システム鳥瞰図Part1からPart9まで、もう一度図でまとめておきます。なるべく流れに沿って書いているつもりですが、ところどころバラけたりしているので、自分がどこのパートを見たいかの参考にしてください。 レシピ Part 1. きっかけとやりた

imaimai

【Part9】DLR(Deep Learning Runtime)を使ってラズパイでディープラーニング

AWSでエッジコンピューティング環境を作る Part9です。 さて、いよいよPart8で作ったコンパイル済みモデルをGreengrassにデプロイしていきます。実際にラズパイで写真を撮って分類までできたら成功です。 ※なお、自分で学習モデルを作らず、既存モデルを取ってきてラズパイにデプロイする場合はこの記事が大変参考になります。私も自前モデルをデプロイする際にめちゃくちゃ参考にしました。 REF : SageMaker NeoでコンパイルしたモデルをラズパイにGreen

imaimai

【Part8】学習モデルをハードウェアに最適化したコンパイル（Amazon SageMaker Neo）

AWSでエッジコンピューティング環境を作る Part8です。 学習モデルの軽量化Distillerを、Part7で書きました。今日は、そのモデルをエッジ端末(ラズパイ)上で動かす準備を行います。Amazon SageMakerNeoを用いると、対象のハードウェアに合わせて最適化されたコンパイルをよしなに行ってくれるので、とても良いです。 ・PyTorchのモデル保存とONNX形式 ・Amazon SageMaker Neoでのコンパイル ・エラーの格闘記録 あたりをお話

imaimai

【Part7】ディープラーニングのモデル軽量化専門ライブラリ "Distiller"

AWSでエッジコンピューティング環境を作る Part7です。今回から推論の話になります。エッジで推論を行うには、普段よりも計算リソースが限られていることを意識しなければなりません。そのため、ソフトウェア・ハードウェアの双面から高速化をしていく必要があるわけです。今回は、ソフトウェア面の高速化の話。 以前、エッジコンピューティングとは何か？というのを記事に書きました。 エッジでディープラーニングを可能にする「モデル圧縮」技術 ここで、枝刈り・量子化・蒸留という手法を紹介

imaimai