Empa Ar-Ge’den AMD Tabanlı Gelişmiş Gözetleme Platformu
Yapay Zekâ Tabanlı Gömülü Platform Tasarımı
Empa Elektronik tarafından geliştirilen AMD Gelişmiş Gözetleme Platformu’nun kapsamlı demosunu, üç AMD Kria kartının (2x KV260 + 1x KD240) entegre çalışmasıyla geliştirilen, yapay zeka destekli nesne takibi ve 2 eksenli motor kontrolü alanında özgün ve çok yönlü bir yaklaşım sunmaktadır.
Platform, dağıtık sistem mimarisinde çalışan üç ana bileşenden oluşmaktadır: Görüntü İşleme Ünitesi AI destekli nesne tespiti ve RTSP streaming sağlarken, H.264/H.265 donanım hızlandırmalı codec desteğine sahip El Terminali kullanıcı arayüzünü sunmaktadır. Motor Kontrol Ünitesi ise 2 eksenli hassas kamera kontrolünden sorumludur.
Oluşturulan demo ile platformun gerçek zamanlı nesne tespiti, AI destekli otomatik takip, modüler algoritma değişimi, manuel kontrol modu ve H.264/H.265 video codec performansını ortaya konmaktadır. Platform, güvenlik sistemlerinden trafik yönetimine, retail analitiklerinden endüstriyel otomasyona, robotik uygulamalardan askeri ve savunma çözümlerine kadar geniş bir uygulama yelpazesi sunmaktadır.
Projenin tüm kaynak kodu, AMD Kria platformunun potansiyelini göstermek ve edge AI uygulamalarının gelişimine katkıda bulunmak amacıyla GitHub üzerinden açık kaynak olarak paylaşılacaktır. Bu Proof of Concept demo, AMD Kria kartlarının FPGA hızlandırması, düşük güç tüketimi, esneklik, ölçeklenebilirlik ve donanım hızlandırmalı video codec desteği gibi önemli avantajlarını vurgulamayı hedeflemektedir.
AMD Kria platformunun edge AI ve robotik kontrol uygulamalarındaki potansiyelini kanıtlamayı amaçlayan bu proje, farklı endüstrilerde benzer çözümlerin geliştirilmesi için referans niteliği taşımaktadır.
Gelişmiş Gözetleme Platformunda Yapay Zeka Bileşenleri
Empa Elektronik tarafından geliştirilen özgün uygulama örneğinin yapay zeka bileşenleri yine AMD ürünü yapay zeka geliştirme araçlarıyla hazırlanmıştır. Uygulama içeriği olan gelişmiş nesne takibi görevi için nesnelerin görsel üzerindeki iki eksenli konumlarının belirlenmesi ve belirlenen nesnelerin sonraki görüntü karelerinde yeniden tanınması için iki farklı çözüm adımı oluşturulmuştur.
Bu adımlardan ilkinde nesne, yani uygulama kapsamında insan yüzlerinin takip amaçlı tespiti için DenseBox derin öğrenme model mimarisinden faydalanılmıştır. Görüntü üzerinde insan yüzü konum etiketleriyle ön eğitimli olarak edinilmiş olan bu model, AMDVitis™ AI araç seti ile AMD Zynq UltraScale+ MPSoC mimarisinde gömülü olarak yer alan Derin Öğrenme İşlem Birimi (Deep Learning Processing Unit – DPU) üzerinde çalışabilecek biçimde işlenmiştir.
Kaynak: DenseBox: Unifying Landmark Localization with End to End Object Detection (Huang et al., 2015)
İşlem adımlarında sırasıyla, kayar noktalı 32-bit veri çözünürlüğünde (FP32) ön eğitilmiş model, Vitis AI Quantizer aracı ile tamsayı 8-bit çözünürlüğe (INT8) nicelenmiş, ardından Vitis AI Compiler ile DPU komut kümesine dönüştürülerek hedef donanım için optimize edilmiş biçimde derlenmiştir.
Kaynak: AMD Vitis™ AI User Guide
Diğer bir adımda, her bir kare için DPU kullanımıyla elde edilen tahminler, Yeniden Tanılama (Re-Identification, ReID) yöntemiyle işlenmiştir. Bu yöntemde, tespit edilen yüz bölgelerinden çıkarılan görsel öznitelikler kullanılarak aynı bireyin sonraki karelerde de doğru biçimde tanınması sağlanır. ReID algoritması, kişinin renk, doku ve konum gibi ayrıştırıcı görsel özelliklerinden oluşan vektörleri kullanarak yüksek isabet oranıyla eşleştirme işlemini gerçekleştirir.
Kaynak: Attention Driven Person Re-identification (Yang et al., 2018)
Bu yapı sayesinde, sadece bir karede tespit edilen kişi; sistem tarafından otomatik olarak takip edilebilmekte, gerektiğinde el terminali üzerinden manuel olarak hedef seçimi yapılabilmektedir. Tüm bu işlemler, platformun gerçek zamanlı analiz ve düşük gecikmeli veri aktarımı gereksinimlerine uygun şekilde donanım hızlandırmalı olarak çalışmaktadır. Geliştirilen uygulama ile AMD FPGA hibrit platformlarının gerçek zamanlı yapay zekalı tahminleme ve düşük güç tüketimi kabiliyetleri, bir gerçek hayat uygulaması ile sunulmuştur.
Uygulama hakkında daha detaylı bilgi veya yapay zekâ uygulamanız için destek talepleriniz için ai@empa.com adresinden bize ulaşabilirsiniz.
