Share via

Aceleración de hardware para Azure IoT Edge Vision AI

  • Artículo

Los gráficos informáticos y la inteligencia artificial (IA) requieren grandes cantidades de potencia de proceso. Un factor crítico para diseñar proyectos de Azure IoT Edge Vision AI es el grado de aceleración de hardware que la solución necesita.

Los aceleradores de hardware como las unidades de procesamiento gráfico (GPU), las matrices de puertas programables (FPGA) y los circuitos integrados específicos de la aplicación (ASIC) son formas rentables de mejorar el rendimiento.

Tipos de hardware informático

En las secciones siguientes se describen los principales tipos de hardware informático para componentes de IoT Edge Vision.

CPU

Una unidad de procesamiento central (CPU) es la opción predeterminada para proceso de uso general. Una CPU puede ser suficiente para cargas de trabajo de Vision en las que el tiempo no es crítico. Sin embargo, las cargas de trabajo que implican un control de tiempo crítico, varias transmisiones de cámara o velocidades de fotogramas elevadas, necesitan una aceleración de hardware más específica.

GPU

Una GPU es el procesador predeterminado para tarjetas gráficas de equipos de gama alta. Los escenarios de equipos de alto rendimiento (HPC), la minería de datos y las cargas de trabajo de IA o aprendizaje automático (ML) usan GPU. Las cargas de trabajo de Vision usan la enorme capacidad de computación paralela de las GPU para acelerar el procesamiento de datos de píxeles. La desventaja de una GPU es su mayor consumo de energía, que es una consideración crítica en las cargas de trabajo perimetrales.

FPGA

Las FPGA son aceleradores de hardware eficaces y reconfigurables que permiten el crecimiento de redes neuronales de aprendizaje profundo. Los aceleradores FPGA tienen millones de puertas programables y cientos de pines de E/S, y pueden realizar miles de millones de operaciones de multiplicar-acumular (MAC) por segundo (TOPS). Hay muchas bibliotecas FPGA optimizadas para cargas de trabajo de Vision. Algunas de estas bibliotecas incluyen interfaces preconfiguradas para conectarse a cámaras y dispositivos de bajada.

El uso de FGPA en cargas de trabajo de ML y IoT Edge sigue evolucionando. Las FPGA tienden a quedarse cortas en las operaciones de punto flotante, pero los fabricantes han realizado mejoras en esta área.

ASIC

Las ASIC se fabrica para realizar una tarea específica. Las ASIC son, con diferencia, los aceleradores más rápidos disponibles, pero son los menos configurables. Los chips ASIC son populares debido a su pequeño tamaño, el rendimiento de potencia por vatio y la protección de la propiedad intelectual (IP). La dirección IP se graba en chips ASIC, lo que hace que sea difícil realizar ingeniería inversa de algoritmos propios.

Colaboradores

Microsoft mantiene este artículo. Originalmente lo escribieron los siguientes colaboradores.

Autor principal:

Para ver los perfiles no públicos de LinkedIn, inicie sesión en LinkedIn.

Pasos siguientes

Aprendizaje automático y ciencia de datos en Azure IoT Edge Vision AI