{"id":48364,"date":"2021-12-15T15:13:00","date_gmt":"2021-12-15T14:13:00","guid":{"rendered":"https:\/\/magazinnew.reichelt.de\/magazin\/?p=48364"},"modified":"2023-04-19T11:16:25","modified_gmt":"2023-04-19T09:16:25","slug":"initiez-vous-lia-avec-la-nvidia-jetson-nano","status":"publish","type":"post","link":"https:\/\/www.reichelt.com\/magazin\/fr\/projets\/initiez-vous-lia-avec-la-nvidia-jetson-nano\/","title":{"rendered":"Initiez-vous \u00e0 l’IA avec la NVIDIA Jetson Nano"},"content":{"rendered":"\n

L’intelligence artificielle (IA) est le mot \u00e0 la mode de notre \u00e9poque. En tant que moteur central de la num\u00e9risation, elle modifie fondamentalement la soci\u00e9t\u00e9, l’\u00e9conomie et presque tous les autres domaines de la vie. De nombreuses entreprises utilisent d\u00e9j\u00e0 l’IA : en d\u00e9veloppement, en production, en administration. Mais l’intelligence artificielle nous aide aussi dans la vie de tous les jours – dans certains domaines assez \u00e9vidents, dans d’autres plut\u00f4t cach\u00e9s. Apprenez-en plus sur l’IA et comment vous pouvez utiliser Jetson Nano de NVIDIA pour mettre en \u0153uvre un projet d’IA dans cet article.<\/p>\n\n\n\n

Intelligence artificielle<\/h2>\n\n\n\n

Qu’est-ce que l’intelligence artificielle ?<\/strong><\/h3>\n\n\n\n

L’intelligence artificielle est la capacit\u00e9 d’un ordinateur \u00e0 r\u00e9soudre des t\u00e2ches qui devraient normalement \u00eatre effectu\u00e9es par des mains humaines. Le syst\u00e8me doit \u00eatre capable d’agir intelligemment, comme un humain, et d’apprendre de mani\u00e8re ind\u00e9pendante. Cependant, cette d\u00e9finition est impr\u00e9cise, car le terme \u00ab intelligence \u00bb est difficile \u00e0 d\u00e9finir. Il existe un certain nombre de descriptions diff\u00e9rentes de l’intelligence humaine. Gardner a d\u00e9velopp\u00e9 une th\u00e9orie des intelligences multiples qui \u00e9num\u00e8re huit dimensions de l’intelligence :<\/p>\n\n\n\n

\"Multiple<\/a>
Figure 1: Source: <\/figcaption><\/figure>\n\n\n\n

Comme vous le verrez au fur et \u00e0 mesure de la progression de cet article, l’IA s’applique aujourd’hui \u00e0 bon nombre de ces dimensions, mais pas \u00e0 toutes.<\/p>\n\n\n\n

Qu’est-ce qui rend un ordinateur intelligent ?<\/strong><\/h4>\n\n\n\n

Un algorithme classique est g\u00e9n\u00e9ralement mis en \u0153uvre de mani\u00e8re permanente et prend des d\u00e9cisions en fonction des donn\u00e9es des capteurs, des entr\u00e9es de l’utilisateur et des moments de d\u00e9clenchement. Toutes les actions d’un ordinateur doivent \u00eatre programm\u00e9es par un humain. De nos jours, cependant, les exigences d’un ordinateur sont si complexes que cette m\u00e9thode atteint rapidement ses limites. Par exemple, il est impossible de pr\u00e9dire avec pr\u00e9cision le comportement d’un utilisateur ou d’impl\u00e9menter \u00e0 l’avance tous les objets existants sur terre pour une reconnaissance d’objets en temps r\u00e9el.<\/p>\n\n\n\n

Les informaticiens ont tr\u00e8s t\u00f4t reconnu ce probl\u00e8me. Par cons\u00e9quent, ils ont essay\u00e9 de d\u00e9velopper des programmes informatiques adaptatifs. Un ordinateur peut \u00eatre form\u00e9 \u00e0 la fonctionnalit\u00e9 souhait\u00e9e \u00e0 l’aide d’exemples de donn\u00e9es. Cette proc\u00e9dure peut maintenant \u00eatre utilis\u00e9e pour diagnostiquer des maladies sur la base de sympt\u00f4mes ou de radiographies.<\/p>\n\n\n\n

Il existe diff\u00e9rentes proc\u00e9dures de test pour \u00e9valuer si un syst\u00e8me informatique est intelligent – l’un d’entre eux est le \u00ab test de Turing \u00bb. Une personne communique \u00e9lectroniquement avec deux partenaires : un humain et un ordinateur. L’arbitre leur pose \u00e0 tous les deux un catalogue complet de questions. S’il ne peut pas identifier clairement le PJ sur la base des r\u00e9ponses donn\u00e9es, il est consid\u00e9r\u00e9 comme intelligent.<\/p>\n\n\n\n

Mesur\u00e9 par rapport aux dimensions de l’intelligence pr\u00e9sent\u00e9es pr\u00e9c\u00e9demment, ce test doit cependant \u00eatre \u00e9largi afin que d’autres dimensions que la connaissance pure (image, mouvement, langage) puissent \u00e9galement \u00eatre enregistr\u00e9es.<\/p>\n\n\n\n

Apprentissage automatique<\/strong><\/h3>\n\n\n\n

Comment l’ordinateur apprend-il ? <\/strong><\/h4>\n\n\n\n
\"\"<\/a>
Figure 2: Source: https:\/\/datasolut.com\/machine-learning-vs-deep-learning\/<\/figcaption><\/figure>\n\n\n\n

Selon la d\u00e9finition humaine, les humains sont consid\u00e9r\u00e9s comme des \u00eatres intelligents. Nous r\u00e9solvons une multitude de probl\u00e8mes du monde r\u00e9el sans pouvoir sp\u00e9cifier comment nous allons le faire en d\u00e9tail. Un exemple est la distinction entre la pomme et la poire. Il en va de m\u00eame pour les s\u00e9quences de mouvements complexes telles que le cyclisme : presque personne ne peut d\u00e9crire en d\u00e9tail les mouvements avec lesquels ils parviennent \u00e0 garder leur \u00e9quilibre sur un v\u00e9lo.<\/p>\n\n\n\n

Ce sont des exemples de connaissances tacites que nous ne pouvons pas mettre dans des r\u00e8gles ou des instructions. Si vous n’avez pas de r\u00e8gles explicites avec lesquelles programmer un ordinateur pour une t\u00e2che, l’apprentissage \u00e0 partir de l’exp\u00e9rience ou des donn\u00e9es est une alternative. En \u00ab machine learning \u00bb, un syst\u00e8me analyse les donn\u00e9es disponibles et se modifie pas \u00e0 pas pour mieux faire son travail. Il existe trois types de t\u00e2ches d’apprentissage :<\/p>\n\n\n\n

Enseignement supervis\u00e9<\/strong><\/h4>\n\n\n\n

Dans le cas de l’apprentissage supervis\u00e9, le syst\u00e8me re\u00e7oit ce qu’il doit apprendre, par exemple comment faire la diff\u00e9rence entre les v\u00e9los et les motos. \u00c0 cette fin, il est pr\u00e9sent\u00e9 avec de nombreuses photos de v\u00e9los et de motos qui ont d\u00e9j\u00e0 \u00e9t\u00e9 marqu\u00e9s manuellement comme v\u00e9los ou motos. Apr\u00e8s avoir trait\u00e9 un grand nombre de ces exemples, le syst\u00e8me recherche des mod\u00e8les pouvant \u00eatre utilis\u00e9s pour distinguer les objets. De cette mani\u00e8re, le syst\u00e8me peut apprendre \u00e0 appliquer ces motifs \u00e0 de nouvelles images afin de distinguer les images de v\u00e9lo des images de moto.<\/p>\n\n\n\n

Dans le cas de l’apprentissage supervis\u00e9, une distinction est faite entre deux autres cas d’utilisation importants : Dans le cas de la classification, le syst\u00e8me doit choisir la r\u00e9ponse parmi un petit nombre d’alternatives ou de classes. Un exemple est la cat\u00e9gorisation d’un produit comme \u00ab bon \u00bb ou \u00ab d\u00e9fectueux \u00bb. Dans l’autre application, le pronostic (r\u00e9gression), le syst\u00e8me doit pr\u00e9dire une ou plusieurs variables continues, par exemple la temp\u00e9rature maximale et la force du vent pour le lendemain \u00e0 Munich.<\/p>\n\n\n\n

Apprentissage non supervis\u00e9<\/strong><\/h4>\n\n\n\n

Dans le cas d’un apprentissage non supervis\u00e9, le syst\u00e8me doit g\u00e9rer sans sp\u00e9cifications manuelles. Il lit les donn\u00e9es disponibles et essaie ind\u00e9pendamment d’y trouver des mod\u00e8les et des r\u00e9gularit\u00e9s. Il peut, pour. B. Regrouper les donn\u00e9es en fonction des similitudes. Cette approche est particuli\u00e8rement prometteuse lorsque les donn\u00e9es ont diff\u00e9rents composants – tels que les diff\u00e9rents mots d’une phrase \u00e9crite. Dans le meilleur des cas, les valeurs d’un mot peuvent \u00eatre utilis\u00e9es pour pr\u00e9dire le prochain composant.<\/p>\n\n\n\n

Ce type d’apprentissage est \u00e9galement appel\u00e9 apprentissage auto-supervis\u00e9. C’est une forme d’apprentissage supervis\u00e9 qui n’exige pas que les gens fournissent des annotations. L’apprentissage auto-supervis\u00e9 est tr\u00e8s r\u00e9pandu dans le monde de l’intelligence artificielle. Par exemple, si un syst\u00e8me est charg\u00e9 de pr\u00e9voir les prochaines images d’une vid\u00e9o, il doit d\u00e9velopper une repr\u00e9sentation des sc\u00e8nes et pr\u00e9dire les mouvements et actions possibles des objets. S’il y a suffisamment de vid\u00e9os de formation, une \u00ab compr\u00e9hension \u00bb de base des processus dans les vid\u00e9os est cr\u00e9\u00e9e. Le syst\u00e8me peut l’utiliser comme base pour pr\u00e9voir de nouvelles sc\u00e8nes vid\u00e9o.<\/p>\n\n\n\n

Apprentissage par renforcement<\/strong><\/h4>\n\n\n\n

Dans l’apprentissage par renforcement, \u00e9galement appel\u00e9 apprentissage par renforcement, le syst\u00e8me doit d’abord effectuer une s\u00e9rie d’actions avant de conna\u00eetre le r\u00e9sultat final. Les jeux de soci\u00e9t\u00e9 ou les robots de contr\u00f4le en sont des exemples. Apr\u00e8s chaque action, l’environnement r\u00e9agit (par exemple l’adversaire aux \u00e9checs) et le syst\u00e8me re\u00e7oit de nouvelles informations sur le statut (par exemple les positions sur l’\u00e9chiquier), \u00e9ventuellement aussi des r\u00e9compenses (par exemple des points, une victoire ou une d\u00e9faite quantifi\u00e9es par une valeur num\u00e9rique).<\/p>\n\n\n\n

L’objectif du syst\u00e8me est de d\u00e9velopper une strat\u00e9gie d’action avec laquelle il peut r\u00e9agir \u00e0 n’importe quelle situation de mani\u00e8re \u00e0 g\u00e9n\u00e9rer le plus de r\u00e9compenses possible. La technique de l’apprentissage par renforcement \u00e0 l’aide de r\u00e9compenses et de punitions est emprunt\u00e9e \u00e0 la psychologie et est utilis\u00e9e, entre autres, dans le dressage des chiens.<\/p>\n\n\n\n

Apprentissage en profondeur<\/strong><\/h3>\n\n\n\n

Technically speaking, deep learning is a subset of machine learning (see Figure 4). It encompasses all methods of sTechniquement parlant, l’apprentissage en profondeur est un sous-ensemble de l’apprentissage automatique (voir la figure 4). Il englobe toutes les m\u00e9thodes de recherche de mod\u00e8les et de relations dans les donn\u00e9es \u00e0 l’aide d’un r\u00e9seau de neurones profond. Les r\u00e9seaux de neurones artificiels sont des algorithmes model\u00e9s sur le mod\u00e8le biologique du cerveau humain.<\/p>\n\n\n\n

The structure of an artificial neural network consists of the input layer, the hidden layer and the output layer. Despite theLa structure d’un r\u00e9seau de neurones artificiels comprend la couche d’entr\u00e9e, la couche cach\u00e9e et la couche de sortie. Malgr\u00e9 leur complexit\u00e9 possible, ils ont essentiellement toujours les structures de graphes orient\u00e9s. Si un r\u00e9seau de neurones artificiels a des structures particuli\u00e8rement profondes, c’est-\u00e0-dire de nombreuses couches cach\u00e9es diff\u00e9rentes, on parle d’apprentissage en profondeur.<\/p>\n\n\n\n

\"\"<\/a>
Figure 3: Source: https:\/\/datasolut.com\/was-ist-deep-learning\/<\/figcaption><\/figure>\n\n\n\n

Un tel syst\u00e8me peut, par exemple, pr\u00e9dire la quantit\u00e9 de pr\u00e9cipitations demain sur la base des lectures d’aujourd’hui de la pression atmosph\u00e9rique, de la temp\u00e9rature et de la direction du vent. Bien que l’apprentissage automatique et l’apprentissage en profondeur soient souvent utilis\u00e9s comme synonymes, il existe des diff\u00e9rences petites mais subtiles. Alors que l’apprentissage automatique est utilis\u00e9 pour les donn\u00e9es d’entr\u00e9e structur\u00e9es, l’apprentissage en profondeur est particuli\u00e8rement adapt\u00e9 aux donn\u00e9es non structur\u00e9es volumineuses.<\/p>\n\n\n\n

Les donn\u00e9es d’entr\u00e9e structur\u00e9es peuvent \u00eatre des enregistrements de donn\u00e9es command\u00e9s \u00e0 partir d’une base de donn\u00e9es (exemple : chat avec couleur, forme, visage). L’apprentissage automatique reconna\u00eet automatiquement les informations qui en d\u00e9coulent et d\u00e9veloppe ind\u00e9pendamment des algorithmes pour classer ces objets. Dans le cas de donn\u00e9es d’entr\u00e9e non structur\u00e9es telles que des textes, des images ou de la musique, l’algorithme d’apprentissage en profondeur reconna\u00eet les structures inconnues et les utilise pour d\u00e9velopper un mod\u00e8le complexe qui permet de classer les objets lors de la reconnaissance d’images. Cependant, pour pouvoir obtenir une qualit\u00e9 de mod\u00e8le \u00e9lev\u00e9e, cette m\u00e9thode n\u00e9cessite de tr\u00e8s grandes quantit\u00e9s de donn\u00e9es.<\/p>\n\n\n\n

\"\"<\/a>
Figure 4: Source: https:\/\/datasolut.com\/was-ist-deep-learning\/<\/figcaption><\/figure>\n\n\n\n

Kits nano NVIDIA Jetson<\/h2>\n\n\n\n<\/span>La carte de d\u00e9veloppement Jetson Nano de NVIDIA fournit une introduction au sujet de \u00ab l’IA \u00bb. Cela permet de d\u00e9velopper des syst\u00e8mes d’IA rentables et \u00e9conomes en \u00e9nergie. L’ordinateur monocarte avec quatre c\u0153urs ARM et le GPU Maxwell en tant qu’acc\u00e9l\u00e9rateur de calcul CUDA et moteur vid\u00e9o ouvre de nouvelles possibilit\u00e9s pour les projets graphiques et de calcul intensif.<\/p>\n\n\n\n

NVIDIA propose deux versions du Jetson Nano, les seules diff\u00e9rences \u00e9tant la taille de la m\u00e9moire de travail (2\/4 Go de RAM), le port d’affichage et la connexion \u00e9lectrique. Avec une taille d’environ 70 x 45 mm, le Jetson Nano-Module est le plus petit appareil Jetson. Ce syst\u00e8me sur module (SOM) pr\u00eat pour la production offre de grands avantages pour diverses industries lors de la fourniture d’IA : il fournit 472 GFLOP afin que les algorithmes d’IA modernes puissent \u00eatre ex\u00e9cut\u00e9s rapidement. Plusieurs r\u00e9seaux de neurones peuvent fonctionner en parall\u00e8le et de nombreux capteurs haute r\u00e9solution peuvent \u00eatre trait\u00e9s en m\u00eame temps. Avec ces propri\u00e9t\u00e9s, il est id\u00e9al pour les applications telles que les enregistreurs vid\u00e9o sur IP d’entr\u00e9e de gamme, les robots domestiques et les passerelles intelligentes dot\u00e9es de capacit\u00e9s analytiques compl\u00e8tes.<\/p>\n\n\n\n

Processeur<\/td>ARM Cortex-A57 Moure quadric\u0153ur Architecture<\/td><\/tr>
GPU<\/td>NVIDIA Maxwell avec 128 c\u0153urs NVIDIA CUDA\u00ae<\/td><\/tr>
M\u00e9moire principale<\/td>2\/4 Go 64 bits LPDDR4, 1600MHz 25,6 Go\/s<\/td><\/tr>
M\u00e9moire<\/td>microSD (carte non incluse)<\/td><\/tr>
Encodage vid\u00e9o<\/td>4Kp30 | 4x 1080p30 | 9x 720p30 (H.264 \/ H.265)<\/td><\/tr>
D\u00e9codage vid\u00e9o<\/td>4Kp60 | 2x 4Kp30 | 8x 1080p30 | 18x 720p30 (H.264 \/ H.265)<\/td><\/tr>
R\u00e9seau<\/td>Gigabit Ethernet<\/td><\/tr>
Cam\u00e9ra<\/td>1x connecteur MIPI CSI-2<\/td><\/tr>
Affichage<\/td>HDMI 2.0 USB 1x USB 3.0 Type A, 2x USB 2.0 Type A, USB 2.0 Micro-B<\/td><\/tr>
USB<\/td>1x USB 3.0 Type A, 2x USB 2.0 Type A, USB 2.0 Micro-B<\/td><\/tr>
Connexions <\/td>1x SDIO | 2x SPI | 4x I2C | 2x I2S | GPIO <\/td><\/tr>
Taille<\/td>69,6 mm x 45 mm <\/td><\/tr>
M\u00e9canique <\/td>Connecteur de bord 260 broches <\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n

Qu’est-ce qu’un noyau CUDA ?<\/strong><\/h4>\n\n\n\n

Le terme CUDA signifie \u00ab Compute Unified Device Architecture \u00bb \u200b\u200bet est une architecture d\u00e9velopp\u00e9e par NVIDIA pour les calculs parall\u00e8les. L’utilisation suppl\u00e9mentaire du GPU soulage le CPU et augmente la puissance de calcul d’un ordinateur. \u00c9tant donn\u00e9 que les deux c\u0153urs se trouvent sur des microprocesseurs bas\u00e9s sur la technologie des semi-conducteurs, les c\u0153urs CUDA sont g\u00e9n\u00e9ralement consid\u00e9r\u00e9s comme \u00e9quivalents aux c\u0153urs de processeur. De plus, les deux c\u0153urs peuvent traiter des donn\u00e9es, le CPU \u00e9tant utilis\u00e9 pour le traitement des donn\u00e9es en s\u00e9rie, tandis que le GPU est utilis\u00e9 pour le traitement des donn\u00e9es en parall\u00e8le. Cependant, les c\u0153urs CUDA sont moins complexes. De plus, 128 c\u0153urs CUDA sont int\u00e9gr\u00e9s au GPU du Jetson Nano, alors que le CPU ne contient que quatre c\u0153urs. En dehors de cela, CUDA est utilis\u00e9 de mani\u00e8re variable : dans le traitement d’images et de vid\u00e9os, mais aussi dans le domaine m\u00e9dical, comme pour les reconstructions d’images CT. En raison de l’environnement de d\u00e9veloppement exigeant, CUDA est \u00e9galement souvent utilis\u00e9 dans les domaines de l’IA, de l’apprentissage en profondeur et de l’apprentissage automatique. D’autres domaines d’application sont la biologie informatique et la chimie, le lancer de rayons et les analyses sismiques.<\/p>\n\n\n\n

Qu’est-ce qui est possible avec le Jetson Nano ?<\/strong><\/h4>\n\n\n\n

Gr\u00e2ce \u00e0 sa conception compacte, le Jetson Nano peut \u00eatre parfaitement int\u00e9gr\u00e9 dans les projets de robot. Avec 128 c\u0153urs CUDA, l’ordinateur monocarte peut effectuer de nombreuses op\u00e9rations en parall\u00e8le et permet ainsi l’utilisation de plusieurs capteurs avec calcul en temps r\u00e9el. A l’inverse, cela signifie qu’il serait possible de d\u00e9velopper une voiture \u00e0 conduite autonome avec une Jetson Nano. Enfin, gr\u00e2ce au support de CUDA, un r\u00e9seau de neurones a pu \u00eatre entra\u00een\u00e9 directement sur le Jetson Nano. En revanche, un tel projet avec un Raspberry Pi ne pouvait \u00eatre impl\u00e9ment\u00e9 qu’avec un GPU suppl\u00e9mentaire.<\/p>\n\n\n\n

Les syst\u00e8mes d’IA classiques, tels que la reconnaissance d’objet\/personne en temps r\u00e9el, sont \u00e9galement possibles avec le Jetson Nano. A l’aide des librairies open source OpenCV ou YOLO, vous pouvez t\u00e9l\u00e9charger des mod\u00e8les pr\u00e9-entra\u00een\u00e9s afin de r\u00e9aliser ensuite la reconnaissance objet\/personne. Il est \u00e9galement possible de former votre propre mod\u00e8le. Avec suffisamment d’enregistrements de donn\u00e9es, par exemple, les personnes ou les plaques d’immatriculation des voitures peuvent \u00eatre clairement identifi\u00e9es sur les cam\u00e9ras de surveillance afin d’automatiser l’ouverture des portes, par exemple.<\/p>\n\n\n\n

Reconnaissance d’objets en temps r\u00e9el avec le Jetson Nano <\/strong><\/h3>\n\n\n\n

\u00c0 l’aide d’un projet simple, nous aimerions vous montrer la force du Jetson Nano, comme mentionn\u00e9 ci-dessus. La reconnaissance d’objets en tant qu’exigence typique de l’IA pour les syst\u00e8mes peut \u00e9galement \u00eatre ma\u00eetris\u00e9e par des ordinateurs \u00e0 carte unique sans c\u0153ur CUDA, tels que le Raspberry Pi. Afin de pouvoir r\u00e9pondre \u00e0 cette exigence en temps r\u00e9el, les c\u0153urs CUDA sont cependant indispensables, car de grandes quantit\u00e9s de donn\u00e9es doivent \u00eatre calcul\u00e9es en parall\u00e8le et en temps r\u00e9el. Avec ses 128 c\u0153urs CUDA, le Jetson Nano est parfaitement adapt\u00e9 pour cela et a donc \u00e9t\u00e9 s\u00e9lectionn\u00e9 pour ce projet.<\/p>\n\n\n\n

Effort <\/strong><\/h4>\n\n\n\n

\u00c9tant donn\u00e9 que l’IA pour la reconnaissance d’objets en temps r\u00e9el a d\u00e9j\u00e0 \u00e9t\u00e9 pr\u00e9programm\u00e9e dans l’environnement open source d’OpenCV et YOLO, l’effort de ce mode d’emploi est limit\u00e9. Tant qu’aucun nouvel objet ne doit \u00eatre enseign\u00e9 \u00e0 l’IA, vous n’avez pas besoin d’entra\u00eener davantage le r\u00e9seau de neurones. Cependant, si l’IA doit \u00eatre davantage adapt\u00e9e, des connaissances techniques approfondies sont n\u00e9cessaires. Le v\u00e9ritable effort, cependant, est de t\u00e9l\u00e9charger et d’installer le mod\u00e8le d’IA et de pr\u00e9parer la configuration n\u00e9cessaire (connexion de la cam\u00e9ra) pour l’application.<\/p>\n\n\n\n

Niveau de difficult\u00e9 <\/strong><\/h4>\n\n\n\n

Moyen :<\/strong> Sans formation de l’IA
Difficile : <\/strong>Avec une formation en IA (connaissance d’OpenCV\/YOLO et connaissances en programmation en Python et C)<\/p>\n\n\n\n

D\u00e9pense de temps<\/strong><\/h4>\n\n\n\n