Le machine learning sur un Raspberry Pi — cela ressemble à quelque chose qui ne serait possible que dans quelques années. Mais ce moment est déjà arrivé. Le Coral USB Accelerator de Google permet d'exécuter localement des modèles de ML entraînés, sans connexion internet, sans cloud et avec une vitesse de traitement qu'un Raspberry Pi seul ne pourrait jamais atteindre.
Qu'est-ce que le Coral USB Accelerator ?
Le Coral USB Accelerator est un accessoire USB qui contient un Edge TPU — une puce de Google spécialement conçue pour l'inférence en machine learning. L'inférence consiste à appliquer un modèle déjà entraîné à de nouvelles données, et non à entraîner le modèle lui-même.
| Spécification | Valeur |
|---|---|
| Vitesse de traitement | 4 TOPS (tera operations per second) |
| Consommation d'énergie | 2 W via USB |
| Connexion | USB 3.0 (également utilisable via USB 2.0) |
| Compatible avec | Raspberry Pi, Linux x86, macOS, Windows |
Quelle est la différence avec l'inférence sur le CPU ?
Un Raspberry Pi 4 peut exécuter des modèles TensorFlow Lite sur le CPU, mais avec des modèles plus complexes — classification d'images, détection d'objets, reconnaissance faciale — les temps d'inférence peuvent atteindre 500 ms ou plus. Le Coral déplace ces calculs vers l'Edge TPU : pour les modèles optimisés, le temps d'inférence descend à quelques millisecondes — la différence entre un temps réel à peine exploitable et 30 images par seconde.
Que peux-tu en faire en pratique ?
- Classification d'images — une caméra reconnaît des objets, anomalies ou animaux en temps réel, sans serveur externe.
- Détection d'objets — détection de présence, caméras de comptage, systèmes de surveillance.
- Reconnaissance de mots-clés — classification audio et détection de wake-word exécutées localement.
- Détection d'anomalies — analyser les données de capteurs afin de détecter des écarts pour la maintenance prédictive.
Limites
- Uniquement TensorFlow Lite, compilé pour l'Edge TPU. Les grands modèles sont exécutés en partie sur l'Edge TPU et en partie sur le CPU.
- Inférence, pas d'entraînement. Destiné uniquement à l'exécution de modèles.
- Taille du modèle limitée. L'Edge TPU dispose de 8 MB de SRAM intégrée.
Premiers pas
Google et Coral proposent des modèles préentraînés qui fonctionnent directement avec l'Edge TPU : MobileNet, EfficientDet, PoseNet et plus encore. La bibliothèque PyCoral te donne accès depuis Python, avec des scripts d'exemple prêts à utiliser directement.
Pose ta question