Deep Learning - Der Weg zu tieferen Erkenntnissen

CamCube Industrie-PC’s mit Intel Prozessoren und Windows 10 IoT liefern High-Performance für Bildverarbeitung und Machine Learning

von Maurice Reisch

scroller
Netzwerk aus 1.000 Computern

Das Google Brain und die Katzen

Bereits 2011 schuf Google® X Labs ein Netzwerk aus 1.000 Computern, sie nannten es Google Brain, das wie ein Kleinkind Informationen aller Art in sich aufsaugen sollte. Gefüttert wurde es mit gut zehn Millionen Standbildern aus YouTube-Filmen. Nachdem Google Brain drei Tage lang in den Bildern nach wiederkehrenden Mustern gesucht hatte, entschied es schließlich, dass sich die Bilderflut in eine Anzahl von Kategorien einteilen ließe: menschliche Gesichter, menschliche Körper und … Katzen, was überraschte [1]. Dazu aber später mehr!

Nun ist es im Alltag allerdings eher die Regel, dass man nicht gerade ein Netzwerk aus 1.000 Computern verfügbar hat, wenn man es braucht. Daher forschten die Hersteller in den vergangenen Jahren daran, diesen Prozess für größere und vor allem billigere Deep-Learning-Netzwerke zu vereinfachen und griffen auf ultraschnelle Prozessoren von Grafikkarten (GPUs) zurück. So konnte (relative einfach) ein Netz aus elf Milliarden Verknüpfungen gebaut werden. Der Prozessorhersteller INTEL® z. B. hat in den letzten Jahren genau an der Optimierung seiner Prozessoren an diesen Bedarf gearbeitet.

Google Brain
Google Brain, Foto: © Alphabet Inc.

Von Machine Learning zu Deep Learning

Schon seit längerer Zeit wissen wir, dass Computer schneller und zuverlässiger arbeiten als wir Menschen. Aber, zumindest noch, müssen wir diesen Computersystemen mit konventionellen Programmen beibringen, wie die Tätigkeit auszuführen ist. Also, (a) was soll der Computer (b) wann und in (c) welchen Schritten tun. Deep Learning ändert dieses Modell komplett.

Mit Machine Learning bringen wir dem System nämlich (nur) bei, wie es eigenständig lernt etwas zu tun. Also eine Aufgabe eigenständig zu erfüllen. Gerade in komplexen Systemen hat sich bewiesen, dass Computer hier oft einen einfacheren Weg zur Lösung finden als wir Menschen.

Google Brain Cats
Google Brain Cats recognition, Foto: © Alphabet Inc.

Um auf die Katzen zurück zu kommen! Die bemerkenswerte Fähigkeit, auf Bildern eigenständig Katzen zu erkennen, belegte eindrucksvoll, dass ein solches System zum so genannten unüberwachten Lernen taugt - der schwierigsten Variante des Problems, bei der die Programme ohne jegliche Zusatzinformation in Form von Namen, Überschriften oder Kategorien auskommen müssen [1]. Das ist Deep Learning. Unter Verwendung neuronaler Netzwerke versetzt sich die Maschine selbst in die Lage Strukturen zu erkennen, das Erkannte zu evaluieren und sich in mehreren, vorwärts wie rückwärts gerichteten, Durchläufen selbst zu verbessern [2].

Auch im Automobilbau werden diese Verfahren bereits eingesetzt. Beispielsweise um winzige Lackschäden mithilfe selbstlernender Algorithmen zuverlässig zu identifizieren [3].

Neuronales Netzwerk
Neuronales Netzwerk beim Menschen, Foto: © Spectral-Design / Fotoloia.de

Neuronale Vernetzung sensorischer Signale beim Menschen

Google Brain Cats
dreidimensionale Wahrnehmung durch Tiefenschärfe
Foto: Pinterest.de

Beim Mensch sind vielen Milliarden Neuronen synaptisch verschaltet. Dies ist charakterisiert durch Parallelität, andererseits durch datenreduzierende Bündelung. Rückwärts gerichtete, hemmende Neuronen bewirken eine Konzentration auf Aktuelles und Bedeutungsvolles. Eine gesamtheitliche Weiterleitung an zentrale Regionen des Gehirns würde seine Überforderung bedeuten. Zu ihrer Vermeidung hat die Evolution Mechanismen der Bündelung, Konzentrierung, Filterung und Verkopplung entwickelt, weshalb wir nur 3% der Realität überhaupt wahrnehmen können. Neuronale Vernetzung führt hier also zur Reduktion der Datenmenge [4].

Wir Menschen nehmen unsere dreidimensionale Umwelt also relativ einfach wahr. Denn bereits in jungen Jahren lernt unser Gehirn die wichtigsten Grundinformationen wie Identifikation der Merkmale, Hindernissvermeidung, Koordination und Tiefenwahrnehmung aus haptischen und visuellen Reizen.

Optische Täuschung 3D Wahrnehmung
3D Wahrnehmung eines flachen Objektes?, Foto: © Fotomek / Fotolia.de

Deep Learning Computersysteme müssen einen Schritt weitergehen

Bei Computern versuchen wir mit hochperformanten Prozessoren, 3D-Kamerasystemen und diversen Sensoren das Gleiche zu tun. Nur dass hier die CPU die Funktion des Gehirns übernimmt. Hunderte von Sensoren liefern, über diverse Schnittstellen, enorm umfangreiche, zusammenhängende Datenmengen im Gigabitbereich; weit über unsere 3% Wahrnehmungsgrenze hinausgehend. Unsere datenorientierte Welt hat Machine Vision zu einem unglaublich aktiven Forschungsgebiet gemacht. Unternehmen nutzen es in einer Weise, die vor zehn Jahren noch als unwahrscheinlich galt.

Selbstfahrende Autos
Selbstfahrende Autos, Foto: © iStockphoto

In der Bildverarbeitung werden z. B. tausende von Gut- und Schlechtbildern antrainiert. Die PC-Systeme sollen dann, auf Grundlage der angelernten Erfahrungen, die Prüfobjekte automatisch den Kategorien zuordnen und über die Qualität der inspizierten Teile entscheiden – also die Prüfergebnisse mit erlerntem Wissen abgleichen und eigenständig eine Entscheidung treffen.

Der Trick, den unser Gehirn zur besseren Verarbeitung der Daten anwendet, nämlich die Reduktion auf die (erfahrungsgemäß) relevanten Daten, darf es hier jedoch nicht geben. Denn gerade für die Entwicklung von Smart Cities, als Basis für intelligente Fahrzeuge und für die personalisierte Medizin dürfen keine Fehler auftreten. Das hat sich kürzlich erst bei mehreren Unfällen mit selbstfahrenden Autos gezeigt.

Pyramid liefert hochperformante IPC-Systeme für Machine Vision und Deep Learning

Auf Grund der hohen Anforderungen kommt es auf die perfekte Abstimmung der Komponenten aufeinander an. Daher stellen wir für unsere Kunden individuell, für jeden Einsatzbereich der industriellen Bildverarbeitung und Machine Learning, modulare und skalierbare Systemlösungen maßgeschneidert her. Denn maschinelles Lernen erfordert sowohl enorme Rechenfähigkeiten, welche die Zeit für das Training reduzieren, als auch Software-Frameworks, die Softwareentwicklern in jeder Branche die Möglichkeiten des maschinellen Lernens eröffnen. Aus diesem Grund werden auf unseren CamCube-Systemen ausschließlich Intel® Prozessoren der aktuellsten Generation sowie Windows® 10 IoT eingesetzt“, so Sebastian Wagner von Pyramid Computer GmbH.

Und nochmals zurück zu den Katzenbildern: Während wir für die Erkennung von 1.000 Katzenbildern aus einem Pool von 50.000 Fotos sicherlich im Zeitansatz von Tagen denken müssten, könnte eine entsprechende künstliche Intelligenz diese Aufgabe in Sekunden oder Minuten erbringen, je nach Rechenleistung [2].

Windows® 10 IoT Core versucht dieses Bedürfnis durch Kompatibilität mit zwei Angeboten zu erfüllen: Microsoft® Cognitive Services und OpenCV. Intel® bietet auf der Softwareseite bereits Zugriff auf Machine Learning-Funktionen auf Intel® Xeon®-Prozessoren mit Tools wie der Intel® Math Kernel Library (Intel® MKL) und der Intel® Data Analytics Acceleration Library (Intel® DAAL). Diese Bibliotheken wurden so optimiert, um eine bis zu 30-mal höhere Leistung in Deep-Learning-Anwendungen zu erreichen [5].

Quellen: [1] Spektrum.de (Nature.com), Wie Maschinen lernen, Nicola Jones; [2] t3n.de Ratgeber AI, MV... [3] Die Industrielle Bildverarbeitung im Umbruch, Alexandra Pisek; [4] Springer.com, Bewusstsein und optimierter Wille, Pfützner H.; [5] Intel.com; Foto: Fotolia.com, Alphabet Inc, iStockPhoto, Pinterest.de - Autor: © Maurice Reisch, Datum der Veröffentlichung: 12.04.2018

Pyramid Computer IPC

Skallierbare IPC Lösungen für Machine Vision,
Machine Learning und Deep Learning

Pyramid CamCube IPC

CamCube

CamCube ist ein kompakter Industrie PC für die Bildverarbeitung.

Der CamCube verfügt über alle gängigen Kameraschnittstellen wie GigE, PoE, USB 3.0, FireWire, CameraLink (CL) und CoaXPress (CXP).

Der CamCube arbeitet auch bei hohen Umgebungstemperaturen und in staubiger Luft zuverlässig. Dies kann sogar in der Fernwartung angezeigt werden.

  • Front I/O System mit 4 Slots
  • Schnittstellen für GigE, PoE und USB 3.0 Kameras
  • Digitale I/O Optionen
  • Intel® Core™ i3, i5 oder i7
  • Als AC und DC-Version verfügbar
Technical data sheet (PDF) Get in touch
Pyramid CamCube GPU

CamCube GPU

CamCube GPU ist die High-End Variante der CamCube Familie.

Er eignet sich besonders für sehr hohe Rechenanforderungen und verwendet Grafikkarten (GPU), die parallel zum Prozessor betrieben werden. Einsatzfelder für dieses Produkt sind unter anderem rechenintensive 3D-Anwendungen, hochauflösende Kameras und lernende Algorithmen. CamCube GPU ist als Desktop oder für die Wandmontage erhältlich. Zusätzlich ist eine Installation als Serverversion CamRack GPU mit 4U und nur 320 mm Tiefe im Rack verfügbar.

  • Sehr kompakte Bauform – nur 320 mm tief
  • Mit bis zu 2 GPUs
  • Desktop, Wallmount oder 4U Rackmount
Technical data sheet (PDF) Get in touch
Pyramid IPC Flex

IPC-Flex

IPC-Flex ist die hochperformante Lösung für die IBV.

Das kompakte und servicefreundliche System kann problemlos in Temperaturbereichen von bis zu +50 Grad Celsius betrieben werden, was es zu einer perfekten industriellen Lösung macht. Beliebige Montageoptionen ermöglichen einen flexiblen und vielfältigen Einsatz.

  • Kompakter & servicefreundlicher IPC
  • Bis zu 3 x PCIe & Riser-Card
  • Betriebstemperatur bis zu + 50° C
  • Als AC/DC Version lieferbar
  • Intelligentes Lüftungskonzept
Technical data sheet (PDF) Get in touch
Über den Autor

Maurice Reisch | Marketingleiter bei Pyramid Computer

Maurice Reisch

Maurice Reisch, geboren 1976 in Freiburg, studierte 1998 zunächst Grafikdesign, später BWL im Fernstudium. Nach einem Ausflug in die Welt der schönen Künste, war er Marketingleiter eines börsennotierten Softwareunternehmens, Niederlassungsleiter eines Stahlhandels sowie Partner und Creative Director einer internationalen Full-Service Werbeagentur. Nach einigen projektbezogenen Jahren im Ausland (und einer Scheidung), kehrte er 2014 zurück in seine Heimatstadt. Zuerst Marketingleiter eines Freiburger Softwarehauses, zuletzt eines Optoelektronik Unternehmens. Bewußt wahrnehmend, vielseitig, aufgeschlossen, engagiert, neugierig, fachkompetenter Alles-irgendwie-wisser, humanist, humorvoll, schreibt (wohl) gerne und redet auch gerne mit Leuten.

Kontakt: XING
scro

Wir verwenden Cookies, um Inhalte und Werbeanzeigen zu personalisieren, Social-Media-Funktionen zur Verfügung zu stellen und unseren Datenverkehr zu analysieren. Wir teilen außerdem Informationen über Ihre Nutzung unserer Website mit unseren Social-Media-, Werbe- und Analytikpartnern gemäß unserer Datenschutzerklärung.

Durch die Nutzung dieser Website stimmen Sie der Verwendung von Cookies zu. Weiterhin verwenden wir auf dieser Seite AddThis um Inhalte auf Wunsch zu teilen. Beim Teilen werden Daten ggf. an Drittanbieter übermittelt. Sehen Sie dazu bitte auch die AddThis Datenschutzhinweise. Falls Sie dies nicht möchten, sehen Sie bitte von der Benutzung ab!

We use cookies to personalize content and ads, to provide social media features and to analyse our traffic. We also share information about your use of our site with our social media, advertising and analytics partners in accordance with our Privacy Statement. You can manage your preferences in Cookie Settings. By using this website, you agree to the use of cookies.