利用Jetson TK1为低功耗图像识别挑战做好准备-电子发烧友网

图像识别和GPU相辅相成，特别是在使用深度神经网络（DNN）时。基于GPU的DNN在图像识别领域的优势已经在过去几年在ImageNet大规模视觉识别挑战（ILSVRC）中的成功得到了明确的证明，DNN最近实现了与训练有素的人类相媲美的分类准确性，如图1显示。新的低功耗图像识别挑战（LPIRC）突出了移动和嵌入式设备上图像识别的重要性。

GPU加速的深度神经网络（DNN）在ImageNet大规模图像识别挑战中取得了最佳成果，而且DNN现在比受过训练的人员具有更高的准确性。

GPU加速深度神经网络（DNN）在ImageNet大规模图像识别挑战赛（ILSVRC）中取得了最佳成绩。左图显示了自2012年GPU加速DNNs投入使用以来，ILSVRC准确度的快速提高。右边，来自百度，微软和谷歌的三个最新出版物展示了DNNs，其精度高于受过培训的人。

具有卷积层的DNN是具有生物启发性的人工神经网络。这些网络可能有五层或更多层，每层都有许多神经元。类似于突触的链接连接层，将信息转发到下一层。培训过程调整链接上的权重，提高网络对呈现给它的信息进行分类的能力。用于训练DNN的数据越多，其分类性能就越好。这种大数据需求导致了GPU的大量使用，因为GPU在高度并行计算（如深度学习中使用的那些计算）上的高吞吐量设计。

ImageNet是一个很好的图像资源，它拥有一个根据描述性名词层次组织的大型图像数据库。ImageNet每年都会举办ILSVRC，为此参赛者开发了用于准确识别图像中物体的算法。ImageNet提供了来自1000个不同对象类别的超过120万张图像的大型图像集，用于训练识别算法。学术界和工业界的参与者表现强劲，近年来与Google，斯坦福大学，加州大学伯克利分校和Adobe等竞争对手表现强劲。

低功耗挑战

为了促进低功耗设备的图像识别，普渡大学电气和计算机工程副教授Yung-Hsiang Lu和UNC Chapel Hill计算机科学助理教授Alex Berg正在组织低功耗图像识别挑战（LPIRC），这是一场专注于识别图像识别和节能最佳技术的竞赛。LPIRC的注册现已开放。

Jetson TK1开发平台是一款非常适合低功耗图像识别挑战的高性能低功耗平台

实现高性能同时保持低功耗可能具有挑战性，因为这两个参数经常一起增加。去年，NVIDIA发布了Jetson TK1开发套件，这是一款非常适合图像处理和计算机视觉应用的低功耗GPU加速计算平台。Jetson TK1的低功耗要求和图像处理能力将使其成为LPIRC竞争对手的热门平台。

用于LPIRC的示例性任务包括在图像中定位和分类对象，包括识别多个对象。许多ILSVRC团队在年度ImageNet竞赛中使用CNN，他们很可能是为LPIRC部署的机器学习体系结构之一。访问LPIRC网站了解有关重要日期和竞赛任务的信息。

免费Jetson TK1参与团队开发工具包

Jetson TK1将成为本次比赛团队的一项重要资产，峰值功率需求低于12.5瓦。Jetson TK1支持CUDA，cuDNN，OpenCV和流行的深度学习框架，如Caffe和Torch。Jetson本质上是一个微型超级计算机，可以直接与显示器，键盘和鼠标或通过ssh连接使用，它预装了Ubuntu Linux，因此入门很容易。

作为LPIRC的赞助商，NVIDIA为参赛车队提供免费的Jetson TK1开发工具包，每位获胜者将获得NVIDIA GPU。如果您的团队想要为LPIRC使用Jetson TK1，请填写此申请表。NVIDIA将审查提案并为选定的申请人提供TK1 DevKits。

我的Jetson TK1深度学习设置

将训练有素的网络移植到Jetson TK1并进行分类很容易。图1显示了我的设置。对于额外的磁盘空间，我添加了一个外部硬盘驱动器并使用SATA 接口连接它。我使用4端口 USB 3.0集线器通过鼠标和键盘以及更多硬盘直接连接。

运行Caffe网络演示的我的Jetson TK1设置。

我在我的Jetson TK1上制作了Caffe，所以我可以将它用于分类。Caffe的网络演示例子是一个简单而简单的测试方法。Web演示在Jetson TK1上运行Web服务器，并且需要包含预训练网络的BVLC参考CaffeNet辅助数据。一旦建立并运行，使用Jetson TK1的IP地址端口500（例如192.168.1.5:5000）从本地网络上的任何设备访问演示。您可以使用以下-g标志以GPU加速运行Web演示：

python examples / web_demo / app.py -g

如下表所示，我使用该演示对具有和不具有GPU加速功能的五个图像进行分类，以便使用Tegra K1的GPU与其CPU进行分类，从而加快分类速度。