متى يتم استخدام مجموعة Raspberry Pi 5 AI؟
توفر مجموعة Raspberry Pi 5 AI Kit 82.4 إطارًا في الثانية عند اكتشاف الكائنات YOLOv8 بينما تستهلك 9.7 وات فقط-ولكن فقط إذا كنت تقوم بتشغيل نماذج الرؤية من خلال مسار الكاميرا. هذه الخصوصية مهمة أكثر من رقم 13 TOPS المثير للإعجاب الموجود على الصندوق.
لقد شاهدت العشرات من المطورين يشترون هذه المجموعة التي تبلغ قيمتها 70 دولارًا متوقعين تسريع ChatGPT، فقط لاكتشاف أنها لا تستطيع لمس نماذج اللغة. الارتباك مفهوم: "مجموعة أدوات الذكاء الاصطناعي" تبدو عالمية. الحقيقة هي أن معالج Hailo-8L متوافق فقط مع مهام التعلم الآلي- التي تتضمن الخلاصة التي تم التقاطها بواسطة وحدات الكاميرا - وليس كاميرات الويب، وليس كاميرات IP، وتحديدًا وحدات كاميرا Raspberry Pi.
هذا ليس قيدا. إنه التخصص. يتطلب استدلال رؤية الكمبيوتر عند الحافة بنية مختلفة بشكل أساسي عن استدلال LLM. تتفوق بنية تدفق البيانات في Hailo-8L في الأول بينما تكون خاطئة تمامًا بالنسبة للأخير.
فجوة الأداء الحقيقية: الأرقام التي تهم في الواقع
تخطي تسويق TOPS. تعمل وحدة المعالجة المركزية Raspberry Pi 5 على تشغيل اكتشاف الكائنات YOLOv8 بمعدل 0.45 إطارًا في الثانية مع استخدام وحدة المعالجة المركزية بنسبة 100%. أضف AI Kit وستصل إلى 82.4 إطارًا في الثانية عند 15-30% من وحدة المعالجة المركزية. هذا ليس تحسينًا بمقدار 2x، بل هو مضاعف 183x.
لكن السياق يشكل هذه الأرقام بشكل كبير. عند سرعات PCIe Gen 3 مع حجم الدفعة 8، يصل نفس طراز YOLOv8s إلى 120 إطارًا في الثانية. انتقل إلى الجيل الثاني وستكون عند 40 إطارًا في الثانية. قم بزيادة حجم الدفعة إلى 32 وسينهار الأداء إلى 54 إطارًا في الثانية.
عنق الزجاجة PCIe حقيقي. يوفر مسار واحد من الجيل الثالث سرعة 8 جيجابت/ثانية-مناسبة لمعظم مهام الرؤية، ولكنها ذات سقف ثابت. تتطلب الإعدادات المستندة إلى الوحدة النمطية- إمكانية الوصول إلى كل الذاكرة من خلال واجهة PCIe، على عكس وحدات NPU المدمجة في SoCs التي تشترك في قنوات الذاكرة-عالية السرعة مع وحدة المعالجة المركزية.
للمنظور: يعمل تقدير الوضع بمعدل 66.1 إطارًا في الثانية مع سحب طاقة يبلغ إجمالي استهلاك النظام 9.7 وات. وهذا أسرع بمقدار 200 مرة من استدلال وحدة المعالجة المركزية-فقط مع استخدام طاقة أقل. تتحقق الحسابات من عمليات النشر التي تعمل بالبطارية-.
الأجهزة المتنافسة: شجرة القرار بقيمة 70 دولارًا
يوفر Coral TPU من Google 4 TOPS بكفاءة 2 TOPS/W في تصميم شريحة عمره 6-سنوات. يوفر Hailo-8L 13 قطعة عند 3-4 قطع/ث. على الورق، هايلو يفوز.
لكن Coral لديها تكامل TensorFlow Lite الذي "يعمل فقط". يتصل Coral's USB Accelerator عبر USB قياسي، ويتكامل بسهولة مع الأنظمة الحالية، ويدعم الطرز المعتدلة مثل MobileNet v2 باستهلاك طاقة يبلغ حوالي 2 واط. لا يلزم تكوين PCIe.
Hailo-8 (26 قطعة علوية) موجود ولكن تكلفته 150-200 دولار. عند نقطة السعر هذه، فإنك تقارن بالحلول التي توفر المزيد من المرونة. النقطة المثالية هي 8L بسعر 70 دولارًا - إذا كانت حالة الاستخدام الخاصة بك متوافقة.
تقدم Pineboards بدائل: قبعات M.2 مزدوجة تجمع بين Hailo-8L وتخزين NVMe، أو تكوينات Coral Edge لمواصلة التطوير في مشاريع Coral الحالية. تعمل هذه على حل قيود "إما التسريع أو التخزين" للمجموعة الرسمية.
استخدم الحالة رقم 1:-أمن الوقت الحقيقي ومراقبته
تولد الكاميرات الأمنية تدفقات بيانات لا هوادة فيها. تتعامل مجموعة AI مع لقطات أمنية بدقة 1080 بكسل للكشف عن الأشخاص والسيارات والطرود دون إسقاط الإطارات. إن تعزيز الأداء بمعدل 13 مرة يجعل الكاميرات الأمنية قابلة للتطبيق بالفعل.
جمع مشروع Jeff Geerling العديد من وحدات Hailo NPUs-التي وصلت إلى 51 TOPS إجمالاً من خلال توصيل Hailo-8L وHailo-8 وCoral TPU من خلال محولات PCIe. مُبَالَغ فيه؟ نعم. لكنه يوضح سيناريوهات الكاميرات المتعددة على نطاق واسع.
يبدو النشر الحقيقي مختلفًا. يستخدم نظام مراقبة ساحة تحصيل الرسوم رؤية الكمبيوتر Edge Impulse مع وحدة كاميرا واسعة لاكتشاف المركبات وإحصائها عبر ممرات متعددة في وقت واحد. التقطت العدسة الواسعة مناطق أوسع. قدمت مجموعة الذكاء الاصطناعي مساحة للمعالجة.
تكامل فرقاطة NVR مهم هنا. تم دمج Hailo رسميًا في إطار عمل Frigate بدءًا من الإصدار 0.16.0، مما يجعله بديلاً-لإعدادات Coral القديمة في تركيبات المراقبة الحالية.
القيود الحرجة: لا تعمل AI Kit وAI HAT+ في حالة وجود عدم تطابق في الإصدار بين حزم برامج Hailo وبرامج تشغيل الأجهزة. تحتاج عمليات نشر الإنتاج إلى إستراتيجيات تأمين الإصدار-.
حالة الاستخدام رقم 2: التحكم في العمليات الصناعية
يمكن لأنظمة سلامة البناء اكتشاف الأشخاص الموجودين أمام مركبات البناء وعلى جانبها وخلفها. تحل الكاميرات التي تعمل بالذكاء الاصطناعي- محل المراقبين البشريين المتعددين وتتتبع مواقع العمال في الوقت الفعلي.
الميزة هي التوازي: يعالج الذكاء الاصطناعي مناطق خطر متعددة في وقت واحد بينما يركز البشر بشكل طبيعي بشكل متسلسل. يعد وقت الاستجابة لتوليد التنبيه أكثر أهمية من الدقة المثالية.
تتبع مراقبة جودة التصنيع منطقًا مشابهًا. تحتاج كاميرا خط الإنتاج التي تتحقق من صحة التجميع إلى معدلات إطارات متسقة، وليس إلى أعلى مستوى من الأداء. تحافظ مجموعة AI Kit على معدل 82.4 إطارًا في الثانية عند اكتشاف الكائنات-وهو معدل كافٍ لمعظم سرعات خطوط التصنيع مع ترك سعة وحدة المعالجة المركزية لأنظمة التحكم.
الحجم الصغير يتيح التكامل في نقاط خط الإنتاج الحالية. يتوسع النظام عن طريق إضافة الكاميرات بدلاً من إعادة تصميم البنية التحتية.
لكن النشر الصناعي يتطلب المزيد. يجب تجنب استخدام بطاقات SD في أجهزة الإنتاج بسبب محدودية قدرة تحمل الكتابة وضعف الموثوقية في ظل طاقة غير موثوقة. مطلوب eMMC من الدرجة الصناعية أو محركات الأقراص الثابتة.
حالة الاستخدام رقم 3: الروبوتات والأنظمة الذاتية
استخدم نموذج أولي لروبوت مستقل تحت الماء مجموعة أدوات الذكاء الاصطناعي لاكتشاف الكائنات باستخدام نموذج YOLOv8 الذي تم تدريبه على مجموعات بيانات مخصصة، بالتنسيق مع محركات BLDC التي يتم التحكم فيها عبر برنامج تشغيل PCA9685 PWM على واجهة I2C.
التحدي: دمج Hailo SDK مع خطوط أنابيب OpenCV الحالية. يواجه المطورون الذين اعتادوا على تطبيقات PyTorch+Ultralytics المكونة من 8 أسطر على وحدات معالجة الرسومات للكمبيوتر الشخصي منحنى تعليميًا أكثر حدة مع سلسلة أدوات Hailo. تحويل النموذج ليس تلقائيًا.
تستهلك خوارزميات التنقل دورات وحدة المعالجة المركزية. قام نظام اكتشاف اليد من Mario بتشغيل ثلاثة نماذج في وقت واحد-اكتشاف اليد والمعالم-مع الحفاظ على 26-28 إطارًا في الثانية باستخدام يد واحدة، و22-25 إطارًا في الثانية باستخدام اليدين. تترك ميزانية المعالجة هذه مجالًا لتخطيط المسار والتحكم في المحركات.
تمثل روبوتات التسليم الذكية الملاءمة: معالجة الرؤية المستمرة بينما تتعامل وحدة المعالجة المركزية مع منطق التنقل والاتصالات وأشجار القرار. تعمل كفاءة 3-4 TOPS/W على إطالة عمر البطارية بشكل قابل للقياس في عمليات النشر المتنقلة.
حالة الاستخدام رقم 4: تحليلات البيع بالتجزئة والعملاء
قام العرض التوضيحي لإدارة متاجر التجزئة بتشغيل YOLOv8n على AI Kit لاكتشاف المنتجات الموجودة على الرفوف بينما تم تشغيل EfficientNet على وحدة المعالجة المركزية للتصنيف. تقسيم العمل: تتولى وحدة المعالجة العصبية (NPU) الكشف (أين المنتج؟)، وتتولى وحدة المعالجة المركزية (CPU) التصنيف (أي منتج؟).
يضيف تقدير الموقف تحليل سلوك العميل. 66.1 يتيح أداء تقدير الوضع FPS تتبع حركات العملاء عبر مناطق المتجر، وتحليل وقت الإقامة، واكتشاف قائمة الانتظار دون تحديد هوية فردية.
الخصوصية مهمة هنا. على -معالجة الجهاز تعني أن الفيديو لا يغادر الموقع أبدًا. النماذج المدربة على الكشف العام عن "الشخص" لا تخزن بيانات القياسات الحيوية-فقط بيانات التعريف المكانية.
اكتشف مشروع "Peeper Pam" أشخاصًا خلفك جالسين على مكتب، متجاهلين الكراسي والطاولات والنباتات الموجودة في الإطار. يتم عرض ثقة الاكتشاف على مقياس تناظري: 0 لـ "لا يوجد شخص"، 1 لـ "شخص معين موجود"، مع عدم اليقين بينهما.
وينطبق هذا المنطق نفسه على مراقبة الإشغال وإدارة قائمة الانتظار واستخدام المساحة-في أي مكان تريد "هل الشخص موجود؟" دون الاهتمام بـ "أي شخص؟"
حالة الاستخدام رقم 5: نشر النموذج المخصص (مع التحذيرات)
يقوم برنامج Hailo Dataflow Compiler بترجمة النماذج من أطر تعلم الآلة القياسية إلى تنسيق Hailo القابل للتنفيذ، باستخدام التدريب المدرك للتكميم-لتقليص النماذج مع الحفاظ على الدقة.
سير العمل: التدريب على PyTorch أو TensorFlow، والتصدير إلى ONNX، والتحويل إلى HEF (تنسيق Hailo القابل للتنفيذ) باستخدام DFC، والنشر على Pi. توجد برامج تعليمية للتدريب الكامل-على-مسار النشر باستخدام نماذج YOLOv8n.
لكن توافق النموذج ليس عالميًا. تم تحسين النماذج التي تم تجميعها لـ Hailo خصيصًا لبنية الشريحة-مما يعني أنه لا يمكن ربط بعض العمليات. توفر حديقة الحيوان النموذجية-أمثلة مجمعة مسبقًا؛ تتطلب البنى المخصصة الاختبار.
تتيح واجهة برمجة تطبيقات Hailo Python الآن تشغيل الاستدلال على Hailo-8L باستخدام Python، مع توفر أمثلة لكل من البرامج النصية المستقلة والتكامل مع picamera2. يؤدي هذا إلى تقليل الحاجز مقارنة بسير العمل السابق لـ GStreamer فقط.
يوفر Edge Impulse مسارًا آخر. يتعامل النظام الأساسي الخاص بهم مع التدريب النموذجي وخط أنابيب تحويل Hailo، وينتج نماذج جاهزة-للنشر-. بالنسبة للفرق التي ليس لديها خبرة في تعلم الآلة، فإن هذا النهج المُدار يقلل من التجربة-والخطأ-.
عندما لا تستخدم مجموعة AI
نماذج اللغات الكبيرة:لا يستطيع معالج Hailo-8L تشغيل LLMs. إنه متوافق فقط مع مهام التعلم الآلي التي تتضمن خلاصات وحدة الكاميرا. لا يوجد قدر من التحسين يغير هذا القيد المعماري.
يتطلب تشغيل LLMs على Pi 5 استنتاج وحدة المعالجة المركزية (CPU) مع نماذج ضمن معلمات 7B. حقق Gemma2-2B أداءً جيدًا باستخدام ذاكرة الوصول العشوائي (RAM) سعة 3 جيجابايت؛ كان DeepSeek-r1:8b يعمل ببطء. لا تعمل مجموعة AI على تسريع أي من هذا.
الذكاء الاصطناعي التوليدي:إنشاء النص، وتوليف الصور، وإنشاء الصوت-لا تتوافق مسارات العمل هذه مع بنية تدفق البيانات في Hailo-8L. يستهدف جهاز Hailo 10H المستقبلي المزود بـ 40 TOPS وذاكرة الوصول العشوائي DDR4 بسعة 8 جيجابايت أعباء عمل الذكاء الاصطناعي التوليدية، ولكنه غير متوفر لـ Pi 5 حتى الآن.
غير -مهام رؤية الكاميرا:تعمل معالجة الصور الثابتة من الملفات، ولكن مجموعة AI Kit تعمل بشكل خاص مع وحدات كاميرا Raspberry Pi -وليس كاميرات الويب أو كاميرات IP. يتطلب توافق كاميرا -الطرف الثالث دعم libcamera.
الحاجة للتخزين:فتحة M.2 الخاصة بالمجموعة الرسمية مشغولة بوحدة Hailo، مما يمنع توصيل NVMe SSD. إذا كنت بحاجة إلى كل من تسريع الذكاء الاصطناعي والتخزين السريع، فستكون هناك حاجة إلى وجود -HATs مزدوجة M.2 تابعة لجهة خارجية.
متطلبات التكامل الصارمة:اعتبارًا من مارس 2025، أصبحت تطبيقات rpicam- هي الجزء الوحيد من مجموعة برامج Raspberry Pi المدمجة بشكل عميق مع مسرّع Hailo. أصبح الوصول البرمجي من نصوص بايثون عبر picamera2 متاحًا لاحقًا. كان الاعتماد المبكر يعني مرونة محدودة لواجهة برمجة التطبيقات (API).
إطار القرار
اطرح هذه الأسئلة الخمسة:
1. هل تعتمد رؤية مهمة الذكاء الاصطناعي-على رؤيتك؟
نعم، مع وحدة الكاميرا → AI Kit قابلة للتطبيق
لا، أو المعالجة المستندة إلى الملف-← أعد النظر
معالجة النص/الصوت → أداة خاطئة
2. ما هو هدف الأداء الخاص بك؟
30+ FPS حقيقي-في الوقت → مجموعة أدوات الذكاء الاصطناعي ضرورية
5-10 إطارات في الثانية مقبولة → قد تكون وحدة المعالجة المركزية كافية
<1 FPS tolerable → don't spend $70
3. هل تحتاج إلى نماذج مخصصة؟
نعم، وعلى استعداد لتعلم DFC → يمكن التحكم فيه
نعم، ولكن لا توجد خبرة في تعلم الآلة ← مسار Edge Impulse
لا، باستخدام-التدريب المسبق فقط → السيناريو المثالي
4. ما هو نطاق النشر الخاص بك؟
1-10 وحدات للنماذج الأولية → ملاءمة مثالية
100+ وحدات الإنتاج → عامل العرض والحرارة والموثوقية
صناعي/تجاري → يحتاج إلى متغيرات Pi الصناعية، وليس لوحات البيع بالتجزئة
5. هل يمكنك قبول القيود؟
متطلبات وحدة الكاميرا
إدارة تبعية الإصدار
لا يوجد تمهيد NVMe بدون قبعة M.2 مزدوجة
درجة حرارة التشغيل 0-50 درجة
سقف عرض النطاق الترددي PCIe
إذا أجبت بالإيجاب على الأسئلة 1 و2 و5 - ولديك استراتيجية للأسئلة 3 و4 - فإن مجموعة أدوات الذكاء الاصطناعي تقدم قيمة استثنائية تبلغ 70 دولارًا.
التحقق من واقع الإعداد
يستغرق تركيب الأجهزة دقائق: قم بتثبيت نظام التبريد، وقم بتوصيل المواضع، واضغط على رأس GPIO، وقم بتوصيل كابل الشريط بمنفذ PCIe، وقم بتثبيت مجموعة AI باستخدام البراغي.
يتطلب تكوين البرنامج مزيدًا من العناية:
sudo apt update و sudo apt full-upgrade sudo rpi-eeprom-update sudo raspi-config # تمكين PCIe Gen 3 في الخيارات المتقدمة sudo apt install hailo-all sudo reboot hailortcli fw-تحديد التحكم # التحقق من التثبيت
يؤدي عدم تطابق الإصدارات بين حزم برامج Hailo وبرامج تشغيل الأجهزة إلى فشل النظام بالكامل. اختبار شامل قبل النشر.
للحصول على أفضل أداء، يوصى باستخدام AI Kit مع Raspberry Pi Active Cooler. بدون التبريد، سترتفع درجة حرارة لوحة RPi5 الأساسية عند استخدام مجموعة AI.
الإدارة الحرارية ليست اختيارية-إنها مطلوبة لتحقيق أداء مستدام.
حساب القيمة 70 دولارًا
ما تحصل عليه:
13 TOPS الاستدلال العصبي
أداء 180×+ مقابل وحدة المعالجة المركزية-فقط
كفاءة 3-4 قمم/ث
دعم تطبيقات rpicam-المدمجة
وسادة حرارية-مجهزة مسبقًا
جميع أجهزة التركيب
ما لا تحصل عليه:
تسريع LLM
حساب الذكاء الاصطناعي للأغراض العامة-.
التوصيل-والتشغيل-البساطة
توسيع التخزين
التوافق العالمي للكاميرا
مقابل 70 دولارًا، من الصعب العثور على طريقة أقل تكلفة لتغمس أصابع قدميك في تقنية الذكاء الاصطناعي المتطورة. يقلل السعر من حزم Coral TPU بينما يقدم أكثر من 3 أضعاف TOPS.
لكن القيمة تعتمد كليًا على محاذاة حالة الاستخدام. بالنسبة لاستدلال الرؤية على الحافة، فهو أمر استثنائي. بالنسبة لكل شيء آخر، فهو غير ذي صلة.
الأسئلة المتداولة
هل يمكنني استخدام AI Kit مع Raspberry Pi 4 أو الموديلات السابقة؟
لا. تتطلب مجموعة AI Kit وجود Raspberry Pi 5 لأنها تحتاج إلى دعم PCIe أصلي. تفتقر النماذج السابقة إلى واجهة PCIe تمامًا. لا يوجد حل بديل أو محول يغير هذا.
هل ستقوم مجموعة أدوات الذكاء الاصطناعي بتسريع كود الكشف عن الكائنات المكتوب بلغة Python باستخدام OpenCV؟
جزئيا. تسمح واجهة Hailo Python API بتشغيل الاستدلال على Hailo-8L باستخدام Python، ولكن ستحتاج إلى تحويل النموذج الخاص بك إلى تنسيق HEF وتعديل التعليمات البرمجية الخاصة بك لاستخدام Hailo API بدلاً من استدعاءات الاستدلال OpenCV القياسية. إنه ليس بديلاً شفافًا.
كيف يؤثر حجم الدفعة على الأداء؟
مع YOLOv8s بدقة 640 × 640: يصل حجم الدُفعة 2 إلى 80 إطارًا في الثانية، ويصل حجم الدُفعة 4 إلى 100 إطارًا في الثانية، ويبلغ حجم الدُفعة 8 ذروته عند 120 إطارًا في الثانية. أبعد من ذلك، يتدهور الأداء: تنخفض الدفعة 16 إلى 100 إطارًا في الثانية وتنخفض الدفعة 32 إلى 54 إطارًا في الثانية بسبب تشبع عرض النطاق الترددي لـ PCIe.
هل يمكنني التمهيد من NVMe واستخدام AI Kit في الوقت نفسه؟
ليس مع المجموعة الرسمية وحدها. فتحة M.2 مشغولة بوحدة Hailo. توفر لوحات Pineboard والبائعين المشابهين واجهات M.2 HAT مزدوجة توفر فتحات تسريع NVMe وAI، مما يحل هذا القيد بتكلفة إضافية.
هل تم إهمال دعم Google Coral؟
لم يتم إهمالها رسميًا، ولكن لم تتم صيانة حزمة برامج Coral بشكل نشط، حيث تتطلب PyCoral إصدار Python 3.9. يبدو أن Google قد تركت مشروع Coral على أجهزة دعم الحياة بعد مشكلات الإمداد أثناء الوباء. لا تزال أجهزة Coral الحالية تعمل، لكن الدعم المستقبلي غير مؤكد.
ما التبريد الذي أحتاجه بالفعل؟
توصي Raspberry Pi باستخدام AI Kit مع Active Cooler للحصول على أفضل أداء. قد تكون المبددات الحرارية السلبية كافية للاستخدام المتقطع، ولكن أحمال عمل الاستدلال المستمرة ستختنق بدون التبريد النشط. ميزانية جهاز Active Cooler بقيمة 5 دولارات إلى جانب مجموعة أدوات الذكاء الاصطناعي.
هل يمكنني تشغيل عدة تدفقات للكاميرا في وقت واحد؟
نعم. من الممكن تشغيل شبكات عصبية متعددة على كاميرا واحدة، أو شبكات عصبية مفردة أو متعددة بكاميرتين في وقت واحد. تعتمد مقاييس الأداء على مدى تعقيد النموذج وتوافر النطاق الترددي لـ PCIe.
الاستنتاج الصادق
تعد Raspberry Pi 5 AI Kit أداة متخصصة تتفوق في مجالها. بالنسبة لاستنتاج الرؤية باستخدام وحدات الكاميرا، فإنه يحول Pi 5 من "قادر تقنيًا" إلى "عملي بالفعل" لتطبيقات الإنتاج.
إنه ليس مسرعًا للذكاء الاصطناعي-لأغراض عامة. لن يتم تشغيل ChatGPT. لن يولد الصور. لن يساعد في تركيب الصوت. اقبل هذه القيود وسيوفر لك قيمة استثنائية. حاربهم وسوف تضيع 70 دولارًا.
القرار ليس "هل مجموعة أدوات الذكاء الاصطناعي جيدة؟"-بل "هل مجموعة أدوات الذكاء الاصطناعي مناسبة لهذا التطبيق المحدد؟" أجب عن ذلك بصراحة وستعرف ما إذا كنت ستشتري أم لا.
الوجبات السريعة الرئيسية
توفر مجموعة أدوات الذكاء الاصطناعي 82.4 إطارًا في الثانية على وحدة المعالجة المركزية YOLOv8 مقابل 0.45 إطارًا في الثانية-فقط-ولكن فقط لمهام الرؤية المستندة إلى الكاميرا-
غير متوافق مع LLMs، أو الذكاء الاصطناعي التوليدي، أو سير عمل رؤية غير -الكاميرا
يتطلب Raspberry Pi 5 مع وحدة الكاميرا؛ لن يعمل مع Pi 4 أو كاميرات الويب
تكوين PCIe Gen 3 والتبريد النشط ضروري لتحقيق الأداء الأمثل
إدارة تبعية الإصدار أمر بالغ الأهمية؛ يؤدي عدم التطابق إلى فشل النظام بالكامل
الأفضل لـ: الكاميرات الأمنية، والمراقبة الصناعية، والروبوتات، وتحليلات البيع بالتجزئة
تجنب استخدام: نماذج اللغة، وتوليد الصور، ومعالجة الصوت، والتجريب العام للذكاء الاصطناعي
مصادر البيانات
وثائق Raspberry Pi - برنامج مجموعة أدوات الذكاء الاصطناعي: https://www.raspberrypi.com/documentation/computers/ai.html
مجلة Mehatronika - مراجعة مجموعة Raspberry Pi AI Kit: https://magazinmehatronika.com/en/raspberry-pi-ai-kit-review/
راجع استوديو - المعيار على RPi5 وCM4: https://forums.raspberrypi.com/viewtopic.php?t=373867
Jeff Geerling - اختبار مجموعة أدوات الذكاء الاصطناعي لـ Raspberry Pi: https://www.jeffgeerling.com/blog/2024/testing-raspberry-pis-ai-kit-13-tops-70
XDA Developers - Raspberry Pi AI Kit-على: https://www.xda-developers.com/raspberry-pi-ai-kit-hands-on/
منتديات Raspberry Pi - مناقشات أدوات الذكاء الاصطناعي: https://forums.raspberrypi.com/
منتديات مجتمع هايلو: https://community.hailo.ai/
GitHub - hailo-ai/hailo-rpi5-أمثلة: https://github.com/hailo-ai/hailo-rpi5-examples