DEEPGREEN Plateforme de deep learning ouverte et souveraine pour l'embarqué 05 2022 - ANR
←
→
Transcription du contenu de la page
Si votre navigateur ne rend pas la page correctement, lisez s'il vous plaît le contenu de la page ci-dessous
DE LA RECHERCHE À L’INDUSTRIE DEEPGREEN Plateforme de deep learning ouverte et souveraine pour l’embarqué 05 2022 Commissariat à l’énergie atomique et aux énergies alternatives - www.cea.fr |1
Deep Green LE PROJET Une plateforme bâtie sur une expertise double en IA Embarquée et conception hardware TRANSPORT DEFENSE AEROSPATIAL USINE DU ENERGIE SANTE FUTUR Un groupe de hardware providers français Plateforme indépendante représentatif du edge computing pour le DeepLearning Embarqué Un groupe d’industriels représentatifs des secteurs clefs de l’IA Embarquée Une communauté qui travaille ENSEMBLE Multi-cibles hardware, sans exclusion sur une même plateforme de référence Pour le deep learning embarqué Composants sur étagère Marché des circuits intégrés (et systèmes…) DEEP GREEN … Commissariat à l’énergie atomique et aux énergies alternatives 2
Open-source repository: Deep Green Plateforme N2D2 https://github.com/CEA-LIST/N2D2/ Documentation : https://cea-list.github.io/N2D2-docs/ Gain full control on tools and generated code for competitive embedded AI solutions Considered criteria Software DNN libraries COTS • Applicative performance metrics • C/OpenMP (+ custom SIMD) • MPU (STM32) • Memory requirement • C++/TensorRT (+ CUDA/CuDNN) • GPU (Nvidia) • Computational complexity • C++/OpenCL • CPU (Intel, RiscV) • C/C++ (+ custom API) • NPUs (Renesas, • Assembly Kalray, Dolphin, …) Learning & Optimization Hardware DNN libraries FPGA Test • C/HLS • Dneuro (CEA) databases • Custom RTL • HLS Quantization Aware • NANOXPLORE Training Trained DNN Data Post-training Code cross- Code execution Modeling Learning Test conditioning quantization generation on target ONNX model Futur AI accelerators 2 to 8 bit integers • In-memory + rescaling computing • Neuromorphic HW 3 Commissariat à l’énergie atomique et aux énergies alternatives
Deep Green N2D2 outputs Dataflow visualization Layer-wise detailed memory and Design assistance for embedded NN computing requirements Results visualization: - Pixel-wise segmentation - ROI bounding box extraction and classification N2D2 INI network description file ; Database [database] [sp.Transformation-4] Type=ILSVRC2012_Database Type=RangeAffineTransformation RandomPartitioning=0 FirstOperator=Minus Learn=1.0 FirstValue=127.5 BackgroundClass=1 SecondOperator=Divides SecondValue=127.5 ; Environment [sp] ; Here, we insert an ONNX SizeX=224 graph in the N2D2 flow the SizeY=224 same way as a regular Cell NbChannels=3 [onnx] BatchSize=${BATCH_SIZE} Input=sp Type=ONNX [sp.Transformation-1] File=mobilenet_v1_1.0_224.onnx Type=RescaleTransformation Width=256 ; We can add targets to ONNX Height=256 cells [MobilenetV1/Predictions/Softm [sp.Transformation-2] ax:0.Target-Top5] Type=PadCropTransformation TopN=5 Width=224 Height=224 [sp.Transformation-3] Type=ColorSpaceTransformation ColorSpace=RGB Layer-wise weights and kernels Pixel-wise and object wise visualization, distribution and data- Layer-wise output visualization and confusion matrix reporting range analysis data-range analysis Commissariat à l’énergie atomique et aux énergies alternatives
Deep Green N2D2 exports Optimized, independent code for industry relevant hardware platforms GPU generic GPU (NVidia) HLS FPGA (Intel) HLS FPGA (Xilinx) C++/OpenCL C++/TensorRT C++/OpenCL C/HLS (+ CUDA/CuDNN) Support SSD and Dataflow DNeuro ( ) configurable Faster-RCNN RTL RTL library MPPA ( ) C++/OpenCL A unified tool for multiple KaNN API hardware targets CPU x86 / ARM / DSP DSP-like C++/OpenMP PNeuro ( ) programmable C++/OpenCL RTL/ASM SIMD processor R-Car ( ) ASMP ( ) NeuroSpike ( ) CNN-IP C API C++/OpenMP/CVA8 RTL Generic / not optimized STM32 ( ) Generic spike for a specific product C++/DSP intrinsics SystemC Commissariat à l’énergie atomique et aux énergies alternatives
Deep Green AXES DE TRAVAUX DU PROJET LOT 1 : DEVELOPPEMENT DE LA LOT 2 : INTEGRATION DE COMPOSANTS LOT 3 : APPLICATIFS A FORT POTENTIEL ET PLATEFORME CŒUR STRATEGIQUES ET SOUVERAINS DEMONSTRATEURS TECHNOLOGIQUES LOT 1.1 : Optimisation robuste des LOT 2.1 : Intégration de composants COTS LOT 3.1 : Cas d’usage aéronautique/défense graphes profonds MCU/GPU LOT 1.2 : Conception et analyse LOT 2.2 : Intégration de composants LOT 3.2 : Cas d’usage santé comparative de haut niveau du hautes performances matériel LOT 1.3 : Confiance embarquée LOT 2.3 : Intégration de composants FPGA LOT 3.3 : Cas d’usage transport LOT 1.4 : Algorithmes innovants LOT 2.4 : Intégration composants ultra LOT 3.4 : Cas d’usage médias numériques dédiés aux cas d’usage embarqué faible consommation LOT 1.5 : Performances, intégration LOT 2.5 : Intégration composants et LOT 3.5 : Cas d’usage inspection /maintanance continue et interopérabilité concepts matérielles nouveaux prédictive LOT 1.6 : Robustesse et résistance LOT 3.x : D’autres cas d’usage représentatifs aux défaillances matérielles Commissariat à l’énergie atomique et aux énergies alternatives 6
Deep Green PHASAGE DEEEPGREEN • Montée en maturité rapide sur 3 ans – avec une livraison par an - consolidation démonstration sur 4 ans • Réalisations concrètes rapides avec la mise à disposition d’une 1ère version de plateforme dès la fin de la 1ère année • Démonstrations des fonctionnalités sur différentes cas d’usage au fil du temps • Mises à jour régulières de la plateforme open-source 2022 2023 2024 2025 Q1 Q2 Q3 Q4 Q1 Q2 Q3 Q4 Q1 Q2 Q3 Q4 Q1 AMI Projet DeepGreen Démarrage de Mise à disposition de la Présentation des Plateforme V2 avec DEEPGREEN Plateforme V1 démonstrateurs aspects confiance Commissariat à l’énergie atomique et aux énergies alternatives 7
Vous pouvez aussi lire