Tamil
எட்ஜ் சாதனங்களில் கேமரா மாட்யூல்களுடன் இயந்திரக் கற்றல்: ஆய்வகத்திலிருந்து உண்மையான உலக தாக்கம்
12.06 துருக
அறிமுகம்: ஏன் எட்ஜ் + கேமரா எம்எல் அடுத்த விளையாட்டு மாற்றுபவர்
ஒரு தொழிற்சாலை அசம்பிளி வரியில் ஒரு சிறிய கேமரா கொண்ட சென்சார் நேரத்தில் ஒரு மைக்ரோ-தவறு கண்டுபிடிக்கிறது - மேகத்திற்கு தரவுகளை அனுப்பாமல். அல்லது, ஆன்லைனில் கூட, таныш முகங்களை உடனே அடையாளம் காணும் ஒரு புத்திசாலி கதவு மணி. இவை விஞ்ஞானக் கற்பனைகள் அல்ல: இவை எட்ஜ் சாதனங்களில் இயந்திரக் கற்றலின் (ML) சக்தி.கேமரா மாட்யூல்கள்Please provide the content you would like to have translated into Tamil.
பல ஆண்டுகளாக, ML மேக கணினி தொழில்நுட்பத்தை நம்பியது - கச்சா கேமரா தரவுகளை செயலாக்கத்திற்காக தொலைவிலுள்ள சேவையகங்களுக்கு அனுப்புவது. ஆனால் இந்த அணுகுமுறை உயிர்க்கொல்லும் குறைபாடுகளை கொண்டுள்ளது: தாமதம் (பாதுகாப்பு முக்கியமான பணிகளுக்கான முக்கியம்), பாண்ட்விட்த் செலவுகள் (வீடியோ தரவுகள் கனமானவை), மற்றும் தனியுரிமை ஆபத்துகள் (மேகத்தில் சேமிக்கப்பட்ட உணர்ச்சிமிக்க காட்சிகள்). எட்ஜ் ML இதனை சரிசெய்கிறது, ஸ்மார்ட்போன்கள், IoT சென்சார்கள், அல்லது தொழில்துறை கேமரா போன்ற சாதனங்களில் நேரடியாக மாதிரிகளை இயக்குவதன் மூலம் - உண்மையான நேரத்தில் காட்சி தரவுகளை வழங்கும் "கண்" ஆக கேமரா மாடுல்களை பயன்படுத்துகிறது.
மார்க்கெட் வெடிக்கிறது: கார்ட்னர் படி, 2025 ஆம் ஆண்டுக்குள் 75% நிறுவன தரவுகள் எட்ஜில் செயலாக்கப்படும், கேமரா ஆதரித்த எட்ஜ் சாதனங்கள் வளர்ச்சியை முன்னணி வகிக்கின்றன. ஆனால் இந்த போக்கை செயல்படுத்தக்கூடிய தீர்வுகளாக எப்படி மாற்றுவது? இந்த வலைப்பதிவு சமீபத்திய புதுமைகள், உண்மையான உலக பயன்பாடுகள் மற்றும் எட்ஜ் கேமராவில் எம்.எல். செயல்படுத்துவதற்கான நடைமுறை சவால்களை விரிவாக விளக்குகிறது.
1. மைய நன்மை: ஏன் எட்ஜ் கேமராக்கள் கிளவுட் அடிப்படையிலான எம்.எல்-ஐ மிஞ்சுகின்றன
கேமரா மாட்யூல்களுடன் கூடிய எட்ஜ் சாதனங்கள் பாரம்பரிய எம்.எல்.ஐ அடைந்த மூன்று முக்கியமான சிரமங்களை தீர்க்கின்றன:
a. நேரம் உணர்வான பணிகளுக்கு பூஜ்ய தாமதம்
தன்னாட்சி வாகனங்களில், தொழில்துறை தானியங்கி செயல்பாடுகளில் அல்லது அவசர நிலை பதிலளிப்பில், ஒரு 1 விநாடி தாமதமும் பேரழிவாக இருக்கலாம். எட்ஜ் எம்.எல். உள்ளூர் அளவில் காட்சி தரவுகளை செயலாக்குகிறது - தாமதத்தை விநாடிகள் (மேகத்தில்) இருந்து மில்லிசெகண்டுகளுக்கு குறைக்கிறது. எடுத்துக்காட்டாக, மின் கோடுகளை ஆய்வு செய்யும் ஒரு ட்ரோன் எட்ஜ் கேமரா எம்.எல். ஐ பயன்படுத்தி உடனடியாக பிளவுகளை கண்டறிகிறது, ஆழத்தில் உள்ள தாமதங்களை தவிர்க்கிறது, இது ஆபத்துகளை தவிர்க்கலாம்.
b. தனியுரிமை-வடிவமைப்பில்
GDPR மற்றும் CCPA போன்ற விதிமுறைகள் அனுமதியின்றி தரவுகளை பகிர்வதற்கான தண்டனைகளை விதிக்கின்றன. எட்ஜ் கேமராக்கள் காட்சி தரவுகளை சாதனத்தில் வைத்திருக்கின்றன: எந்த மூல படமும் ஹார்ட்வேரை விட்டு வெளியே செல்லாது. எட்ஜ் கேமரா ML-ஐப் பயன்படுத்தி நோயாளியின் தோல் நிலைகளை பகுப்பாய்வு செய்யும் ஒரு சுகாதார கிளினிக்கான உதாரணமாக, உண்மையில், உணர்வுபூர்வமான படங்களை மூன்றாம் தரப்பு சர்வர்களுக்கு வெளிப்படுத்தாது—நம்பிக்கை மற்றும் ஒத்துழைப்பை உருவாக்குகிறது.
c. பாண்ட்விட்த் & செலவுகள் சேமிப்பு
கிளவியில் 24/7 4K வீடியோ ஸ்ட்ரீமிங் செய்வது தரவுக் கட்டணங்களில் ஆயிரக்கணக்கான செலவுகளை ஏற்படுத்துகிறது. எட்ஜ் எம்.எல். தரவுகளை பரிமாற்றத்திற்கு முன் சுருக்கமாக்குகிறது (அல்லது அதை முழுமையாக தவிர்க்கிறது): வெறும் உள்ளடக்கம் (எ.கா., "பிழை கண்டறியப்பட்டது" அல்லது "அறியப்படாத முகம்") மட்டுமே அனுப்பப்படுகிறது. கூட்டத்தை எண்ணுவதற்காக எட்ஜ் கேமராக்களைப் பயன்படுத்தும் ஒரு சில்லறை கடை, மேக அடிப்படையிலான வீடியோ பகுப்பாய்வுடன் ஒப்பிடுகையில் 90% பாண்ட்விட்த் பயன்பாட்டை குறைக்கிறது.
2. தொழில்நுட்ப முன்னேற்றங்கள் எட்ஜ் கேமரா எம்.எல். சாத்தியமாக்குகிறது
ஒரு தசாப்தத்திற்கு முன் எட்ஜ் கேமராவில் எம்.எல். செயல்படுத்துவது சாத்தியமில்லை - உபகரணம் மிகவும் பலவீனமாக இருந்தது, மற்றும் மாதிரிகள் மிகவும் பெரியவை. இன்று, மூன்று புதுமைகள் விளையாட்டை மாற்றியுள்ளன:
a. மாதிரி சுருக்கம்: சிறியது, வேகமாக, மேலும் திறமையான
மிகவும் மேம்பட்ட ML மாதிரிகள் (எடுத்துக்காட்டாக, ResNet, YOLO) எட்ஜ் சாதனங்களுக்கு மிகவும் பெரியவை. குவாண்டைசேஷன் (32-பிட் தரவை 8-பிட் ஆகக் குறைப்பது) மற்றும் ப்ரூனிங் (மீண்டும் தேவையற்ற நரம்புகளை அகற்றுவது) போன்ற தொழில்நுட்பங்கள், துல்லியத்தை இழக்காமல் மாதிரிகளை 70-90% அளவுக்கு சுருக்குகின்றன. TensorFlow Lite, PyTorch Mobile மற்றும் Edge Impulse போன்ற கருவிகள் இந்த செயல்முறையை தானாகச் செய்கின்றன—உருப்படியின் கண்டறிதல், பட வகைப்படுத்தல் போன்ற முன் பயிற்றுவிக்கப்பட்ட காட்சி மாதிரிகளை குறைந்த சக்தி கொண்ட கேமராவில் உருவாக்க developers க்கு அனுமதிக்கின்றன.
உதாரணமாக, Google இன் MobileNetV3 எட்ஜ் கேமராக்களுக்கு உகந்ததாக வடிவமைக்கப்பட்டுள்ளது: இது 3MB அளவிலுள்ளது ஆனால் பொருள் கண்டறிதலில் 92% துல்லியத்தை அடைகிறது - குறைந்த சேமிப்பு கொண்ட IoT சாதனங்களுக்கு சிறந்தது.
b. குறைந்த சக்தி AI ஹார்ட்வேர்
எட்ஜ் கேமராக்கள் இப்போது பேட்டரிகளை சோர்வடையாமல் ML மாதிரிகளை இயக்கும் சிறப்பு AI சிப்புகளை (NPUs/TPUs) ஒருங்கிணைக்கின்றன. Qualcomm இன் Hexagon NPU, எடுத்துக்காட்டாக, பாரம்பரிய CPU க்கும் ஒப்பிடும்போது 10 மடங்கு குறைவான சக்தியை பயன்படுத்தி, நேரடி முக அடையாளத்தை இயக்க ஸ்மார்ட்போன் கேமராக்களை சக்தி வழங்குகிறது.
தொழில்துறை தரத்திற்கேற்ப உள்ள எட்ஜ் கேமராக்கள் (எடுத்துக்காட்டாக, Axis Q1656) உள்ளமைக்கப்பட்ட AI வேகப்படுத்திகள் உள்ளன, அவை வீடியோ பகுப்பாய்வுகளை உள்ளூர் முறையில் செயலாக்குகின்றன, கடுமையான சூழ்நிலைகளிலும், குறைந்த மின்சாரத்துடன் கூட.
c. சாதனத்தில் தரவுப் செயலாக்கம்
Edge ML மேகத்தில் குறிச்சொற்கள் தேவையில்லை. ஆப்பிளின் கோர் எம்.எல் மற்றும் கூகிளின் கூட்டமைப்பு கற்றல் போன்ற கருவிகள் சாதனங்கள் உள்ளூர் தரவிலிருந்து கற்றுக்கொள்ள அனுமதிக்கின்றன: ஒரு பாதுகாப்பு கேமரா, அதன் இயக்கத்தை கண்டறிதலை நேரத்திற்கேற்ப மேம்படுத்தலாம், சேவையகத்திற்கு காட்சிகளை அனுப்பாமல். இந்த "இடத்தில் கற்றல்" எட்ஜ் கேமரா எம்.எல் தனிப்பட்ட சூழ்நிலைகளுக்கு (எ.கா., குறைந்த ஒளியுள்ள களஞ்சியம்) ஏற்படக்கூடியதாக மாற்றுகிறது.
3. உண்மையான உலக பயன்பாடுகள்: எங்கு எட்ஜ் கேமரா எம்.எல். ஏற்கனவே தொழில்களை மாற்றுகிறது
எட்ஜ் கேமரா எம்.எல் என்பது கற்பனையாக மட்டுமல்ல; இது துறைகள் முழுவதும் உண்மையான மதிப்பை உருவாக்குகிறது:
கைதொழில் தானியங்கி
உற்பத்தியாளர்கள் சியமென்ஸ் போன்றவர்கள் நேரடி நேரத்தில் தயாரிப்புகளை ஆய்வு செய்ய எட்ஜ் கேமரா எம்.எல்.ஐ பயன்படுத்துகிறார்கள். ஒரு கன்வெயர் பெல்ட்டில் மவுண்ட் செய்யப்பட்ட கேமரா, பொருள் கண்டறிதலைப் பயன்படுத்தி தவறான கூறுகளை (எடுத்துக்காட்டாக, லேப்டாப்பில் காணாமல் போன ஸ்க்ரூ) கண்டறிந்து உடனடி நிறுத்தத்தைத் தூண்டுகிறது - இது கையேடு ஆய்வுகளுடன் ஒப்பிடும்போது 40% வீணாக்கத்தை குறைக்கிறது. இந்த அமைப்புகள் குறைந்த சக்தி எட்ஜ் சாதனங்களில் இயங்குகின்றன, எனவே அவை உள்ளமைவான உற்பத்தி வரிசைகளை பாதிக்கவில்லை.
b. ஸ்மார்ட் நகரங்கள் & போக்குவரத்து
எட்ஜ் எம்.எல். உடன் சீரமைக்கப்பட்ட போக்குவரத்து கேமராக்கள் வாகன ஓட்டத்தை உள்ளூர் அளவில் பகுப்பாய்வு செய்து, நெரிசலை குறைக்க நேரத்தில் போக்குவரத்து விளக்குகளை சரிசெய்கின்றன. சிங்கப்பூரில், எட்ஜ் கேமராக்கள் சட்டவிரோதமாக சாலையை கடக்கும் நபர்களை கண்டறிந்து, அருகிலுள்ள அடையாளங்களுக்கு எச்சரிக்கைகளை அனுப்புகின்றன - மேக இணைப்பை நம்பாமல் நடைபாதை பாதுகாப்பை மேம்படுத்துகின்றன. இணையம் குறைவாக உள்ள தொலைவான பகுதிகளில் கூட, இந்த கேமராக்கள் இடையூறு இல்லாமல் செயல்படுகின்றன.
c. சுகாதாரம் & அணியக்கூடிய சாதனங்கள்
கைமுறையிலான மருத்துவ சாதனங்கள் (எடுத்துக்காட்டாக, தோல் புற்றுநோய் கண்டறியும் சாதனங்கள்) நோயாளிகளின் தோலின் படங்களை பகுப்பாய்வு செய்ய எட்ஜ் கேமரா எம்.எல்.ஐ (ML) பயன்படுத்துகின்றன. இந்த சாதனம் உள்ளூர் முறையில் ஒரு எளிய வகைப்படுத்தல் மாதிரியை இயக்குகிறது, உடனடி ஆபத்து மதிப்பீடுகளை வழங்குகிறது - மேக அடிப்படையிலான நோயியல் சேவைகளுக்கு அணுகல் இல்லாத கிராமப்புற பகுதிகளுக்கு முக்கியமானது. ஃபிட்பிட் போன்ற அணிகலன்கள் தற்போது எட்ஜ் கேமராக்களை பயன்படுத்தி எம்.எல்.ஐ மூலம் இரத்த ஆக்சிஜன் அளவுகளை கண்காணிக்கின்றன, பயனர் தனியுரிமையை பாதுகாக்க சாதனத்தில் தரவுகளை செயலாக்குகின்றன.
d. சில்லறை & வாடிக்கையாளர் அனுபவம்
சில்லறை விற்பனையாளர்கள், தனியுரிமையை மீறாமல், வாங்குபவர்களின் நடத்தைப் பகுப்பாய்வு செய்ய எட்ஜ் கேமராக்களை பயன்படுத்துகிறார்கள். ஒரு காட்சிக்கு அருகிலுள்ள கேமரா, எம்.எல். (ML) ஐப் பயன்படுத்தி எத்தனை வாடிக்கையாளர்கள் பார்வையிடுவதற்காக நிற்கின்றனர் என்பதை எண்ணுகிறது (முகம் அடையாளம் காணல் இல்லை) மற்றும் கடை மேலாளர்களுக்கு தகவல்களை அனுப்புகிறது—தயாரிப்புகளை இடம் மாற்றுவதில் உதவுகிறது. தரவுகள் உள்ளூர் முறையில் செயலாக்கப்படுவதால், வாங்குபவர்களின் அடையாளங்கள் பாதுகாக்கப்படுகின்றன.
4. முக்கிய சவால்கள் & அவற்றை எப்படி கடக்க வேண்டும்
எனினும், எட்ஜ் கேமராக்களில் எம்.எல்.ஐ (Machine Learning) பயன்படுத்துவதற்கு சிக்கல்கள் உள்ளன—இதனை எவ்வாறு தீர்க்கலாம்:
a. ஹார்ட்வேர் வரம்புகள்
அதிகமான எட்ஜ் சாதனங்கள் வரம்பான CPU/GPU சக்தி மற்றும் சேமிப்பு கொண்டவை. தீர்வு: எளிதான மாதிரிகளை முன்னுரிமை அளிக்கவும் (எடுத்துக்காட்டாக, MobileNet, EfficientNet-Lite) மற்றும் NPUs/TPUs ஐ பயன்படுத்தும் ஹார்ட்வேர்-விருத்தி செய்யப்பட்ட கட்டமைப்புகளை (எடுத்துக்காட்டாக, மைக்ரோ கண்ட்ரோலர்களுக்கான TensorFlow Lite) பயன்படுத்தவும். மிக குறைந்த சக்தி கொண்ட சாதனங்களுக்கு (எடுத்துக்காட்டாக, பேட்டரி இயக்கப்படும் IoT கேமராக்கள்), TinyML இன் Visual Wake Words போன்ற சிறிய மாதிரிகளை (1MB க்குள்) தேர்வு செய்யவும்.
b. தரவின் குறைபாடு & லேபிள் அமைப்பு
எட்ஜ் கேமராக்கள் பெரும்பாலும் குறைந்த அளவிலான லேபிள் செய்யப்பட்ட தரவுடன் கூடிய நிச்சயமான சூழ்நிலைகளில் (எ.கா., இருண்ட களஞ்சியங்கள்) செயல்படுகின்றன. தீர்வு: லேபிள் செய்யப்பட்ட படங்களை உருவாக்க சின்தெடிக் தரவுகளை (எ.கா., யூனிட்டியின் பார்வை கருவி) பயன்படுத்தவும், அல்லது மாற்று கற்றல்களைப் பயன்படுத்தவும் - உண்மையான உலக படங்களின் சிறிய தரவுத்தொகுப்பில் முன் பயிற்றுவிக்கப்பட்ட மாதிரியை நன்கு அமைக்கவும். LabelStudio போன்ற கருவிகள் தொழில்நுட்பம் இல்லாத பயனர்களுக்கான சாதனத்தில் தரவுகளை லேபிள் செய்வதை எளிதாக்குகின்றன.
c. பரப்பளவியல் சிக்கல்
எட்ஜ் கேமராக்களுக்கு நூற்றுக்கணக்கான எம்.எல். ஐ வெளியிடுவது ஒரே மாதிரியானது தேவை. தீர்வு: AWS IoT Greengrass அல்லது Microsoft Azure IoT Edge போன்ற எட்ஜ் செயலாக்க தளங்களை பயன்படுத்தவும், இது உங்களுக்கு மாடல்களை காற்றில் (OTA) புதுப்பிக்கவும், செயல்திறனை தொலைவில் கண்காணிக்கவும் அனுமதிக்கிறது. இந்த தளங்கள் சாதனங்களுக்கு இடையிலான ஒத்திசைவு பிரச்சினைகளை கையாள்கின்றன, எனவே நீங்கள் ஒவ்வொரு கேமரா வகைக்கும் மாடல்களை மீண்டும் வேலை செய்ய வேண்டியதில்லை.
d. துல்லியம் மற்றும் வேகம் இடைமுகங்கள்
எட்ஜ் சாதனங்களுக்கு விரைவான முன்னறிவிப்பு தேவை, ஆனால் வேகம் பெரும்பாலும் துல்லியத்தின் விலைக்கு வருகிறது. தீர்வு: வேகம் மற்றும் துல்லியத்தை சமநிலைப்படுத்த மாடல் ஆப்டிமைசேஷன் பைப்லைன்களை (எடுத்துக்காட்டாக, ONNX Runtime) பயன்படுத்தவும். எடுத்துக்காட்டாக, ஒரு பாதுகாப்பு கேமரா நேரடி இயக்கத்தை கண்டறிய விரைவான, குறைவான துல்லியமான மாடலைப் பயன்படுத்தலாம் மற்றும் ஒரு அச்சுறுத்தல் சந்தேகிக்கப்படும் போது மட்டுமே மேலும் துல்லியமான மாடலுக்கு மாறலாம்.
5. எதிர்கால நெறிகள்: எட்ஜ் கேமரா எம்.எல்.க்கு அடுத்தது என்ன
எட்ஜ் கேமரா எம்.எல். இன் எதிர்காலம் ஒருங்கிணைப்பு, பொருந்துதல் மற்றும் அணுகுமுறை பற்றியது:
• பல முறை இணைப்பு: எட்ஜ் கேமராக்கள் பார்வை தரவுகளை மற்ற சென்சார்கள் (ஒலி, வெப்பநிலை) உடன் இணைத்து அதிகமான தகவல்களை வழங்கும். ஒரு புத்திசாலி வீட்டு கேமரா புகை (பார்வை) மற்றும் ஒரு கத்தும் அலாரம் (ஒலி) ஆகியவற்றை கண்டறிந்து அவசர அலர்ட்டை செயல்படுத்தலாம் - அனைத்தும் உள்ளூர் முறையில் செயலாக்கப்படுகிறது.
• எட்ஜ்-டு-கிளவுட் ஒத்துழைப்பு: எம்.எல். உள்ளூர் ரீதியில் இயங்கும் போது, எட்ஜ் சாதனங்கள் மாடல்களை புதுப்பிக்க கிளவுட் உடன் ஒத்திசைக்கப்படும். எடுத்துக்காட்டாக, டெலிவரி லாரி கேமராக்களின் குழு புதிய சாலை ஆபத்துகளைப் போன்ற தகவல்களை பகிர்ந்து கொள்ளலாம், இதன் மூலம் மொத்த எம்.எல். மாடலை மேம்படுத்தலாம் - கச்சா வீடியோவை அனுப்பாமல்.
• No-Code/Low-Code Tools: Edge Impulse மற்றும் Google இன் Teachable Machine போன்ற தளங்கள், எட்ஜ் கேமரா ML ஐ மேம்படுத்துநர்களுக்கு அணுகக்கூடியதாக மாற்றுகின்றன. ஒரு சிறிய வணிக உரிமையாளர், ஒரு சாதாரண கேமரா பயன்படுத்தி கடை திருடர்களை கண்டுபிடிக்க ஒரு மாதிரியை பயிற்சி செய்யலாம்—எந்த குறியீட்டும் தேவை இல்லை.
முடிவு: சிறிது தொடங்கி, விரைவில் அளவிடுங்கள்
கேமரா மாட்யூல்களுடன் உள்ள எட்ஜ் சாதனங்களில் இயந்திரக் கற்றல் என்பது ஒரு போக்கு அல்ல - இது நேரடி, தனியார் மற்றும் செலவினமில்லா காட்சி பகுப்பாய்வுக்கு தேவையான நிறுவனங்களுக்கு ஒரு அவசியமாகும். வெற்றியின் முக்கியம் ஒரு குறுகிய பயன்பாட்டை (எடுத்துக்காட்டாக, தொழிலில் குறைபாடு கண்டறிதல்) தொடங்குவது, அனைத்தையும் ஒரே நேரத்தில் தீர்க்க முயற்சிப்பதற்குப் பதிலாக.
எளிதான மாதிரிகள், குறைந்த சக்தி கொண்ட ஹார்ட்வேர்கள் மற்றும் பயனர் நட்பு கருவிகளை பயன்படுத்தி, நீங்கள் எட்ஜ் கேமரா எம்.எல்-ஐ வாரங்களில் - மாதங்களில் அல்ல - செயல்படுத்தலாம். மற்றும் தொழில்நுட்பம் வளர்ந்துவரும் போதெல்லாம், நீங்கள் மேலும் சிக்கலான பயன்பாடுகளுக்கு அளவிடுவதற்கு நன்கு தயாராக இருப்பீர்கள். எட்ஜ் கேமரா எம்.எல்-இல் உங்கள் மிகப்பெரிய சவால் என்ன? கீழே கருத்துகளில் உங்கள் எண்ணங்களை பகிரவும் - அல்லது உங்கள் அடுத்த திட்டத்திற்கு இலவச ஆலோசனைக்காக எங்கள் குழுவுடன் தொடர்பு கொள்ளவும்.
தொடர்பு
உங்கள் தகவலை விட்டு நாங்கள் உங்களை தொடர்பு கொள்ளுவோம்.
WhatsApp
WeChat