Розробка AI для вбудованих систем (Embedded AI)

Зауважимо: коли модель з точністю 97% на сервері не вкладається в 100 мс на цільовому контролері, класичний ML пасує. Розробка AI для вбудованих систем (Embedded AI) — це про те, як змусити нейромережу працювати на Cortex-M4 з 256 КБ пам'яті та детермінованим часом виконання. Ми в TrueTech займаємося embedded AI багато років і знаємо, як обійти ці обмеження. Наша команда має 5+ років досвіду та сертифікати за ISO 26262 і IEC 61508. Скорочення витрат на апаратну платформу може досягати 3 разів за рахунок ефективного квантування та оптимізації.

Як оптимізувати модель для вбудованої системи?

Оптимізація починається з вибору інструменту під тип заліза. На RTOS (FreeRTOS, Zephyr) використовуємо TFLite Micro з CMSIS-NN — ARM-оптимізовані операції дають приріст швидкості до 4x. Для Embedded Linux (Yocto, Buildroot) підійдуть ONNX Runtime або PyTorch Mobile, а на FPGA (Xilinx Versal) — Vitis AI з апаратним прискоренням. Вибір фреймворку залежить від цільового обладнання та вимог до latency.

Для safety-critical проектів обов'язкове квантування моделей. Post-training quantization (INT8) — стандарт, але для медичних систем застосовуємо quantization-aware training з калібруванням на реальних даних. Наші інженери гарантують, що падіння точності не перевищить 2% при розмірі моделі в 10 разів менше.

Порівняння методів квантування

QAT (Quantization-Aware Training) кращий за PTQ для глибоких мереж: точність падає лише на 1%, а швидкість на FPGA зростає в 5 разів.

Чому детермінізм критичний для embedded AI?

У промислових системах inference має завершуватися за фіксований час — worst-case execution time (WCET). Порушення призводить до збоїв у керуванні верстатом або гальмівною системою. Ми виключаємо malloc в RTOS, використовуємо статичні буфери та профілюємо кожну операцію. В automotive гарантуємо детермінований inference за ліміт 100 мс із запасом 15%.

Як ми це робимо: кейс портування детекції дефектів

Для клієнта з automotive потрібно було перенести YOLOv5 на контролер Infineon TC3xx (TriCore). Вихідна модель важила 30 MB і споживала 1.2 ГБ RAM. Після квантування до INT8 (TFLite) розмір скоротився до 3 MB, RAM — до 128 КБ. Використали CMSIS-NN для згорток та ручну алокацію scratch buffers. Результат: latency 85 мс при ліміті 100 мс, точність впала на 1.2%. Для порівняння, конкурентне рішення з ONNX Runtime дало latency 130 мс — ми виграли 35% часу. Отримайте консультацію — ми проаналізуємо ваш проект за 2 дні.

Процес роботи

1. Аналіз — профілювання цільового заліза, feasibility study
2. Квантування — вибір типу (INT8/INT4), калібрування, перевірка точності
3. Розробка інференсу — C/C++ код, інтеграція з RTOS/Linux
4. Тестування — WCET, power budget, stress-тести
5. Деплой та MLOps embedded — OTA, документація, навчання команди

Строки орієнтовно: 12–24 тижні

Складність зростає з вимогами до надійності та сертифікації. Вартість розраховується індивідуально. Зв'яжіться з нами для оцінки.

Що входить в нашу роботу

• Feasibility study та вибір стеку
• Квантування та оптимізація моделей під залізо
• Написання production-коду інференсу (C/C++)
• Інтеграція з RTOS/Linux та драйверами
• Тестування WCET та functional safety (якщо потрібно)
• Документація та передача прав на модель

Наш досвід

5+ років в embedded AI, 30+ проектів, включаючи сертифіковані automotive та медичні системи. Працюємо з ISO 26262 та IEC 61508. Зверніться до нас — ми гарантуємо індивідуальний підхід.

Стандарти функційної безпеки: IEC 61508, ISO 26262

Отримайте консультацію — оцінимо ваш проект за 2–3 дні. Пишіть.

Edge AI та оптимізація: деплой моделей без хмари

Уявіть: ваша модель розпізнавання облич видає 4 секунди latency на Jetson Orin, батарея сідає за годину, модель вилітає по OOM. Ми — команда інженерів з Edge AI — оптимізували понад 150 моделей для граничних пристроїв. Без профілювання та правильного вибору квантизації або дистиляції проект приречений. Розрив між дослідницьким кодом та edge-деплоєм — окрема інженерна дисципліна, і ми допомагаємо її освоїти за 2–16 тижнів під ключ. Справа не в експорті, а в системній роботі із залізом: GPU utilization, latency p99, memory bandwidth.

Чому просто «експортувати модель» не працює?

PyTorch-модель з float32 та batch_size=32 не готова до edge. Типові проблеми:

• ResNet-50 в fp32 займає 98 MB, inference на Cortex-A78 — 380 мс. Після INT8-квантизації torch.ao.quantization — 24 MB, 95 мс. Експорт в ONNX + TensorRT на Jetson — 28 мс.
• YOLOv8m на Raspberry Pi 5 в fp32 — 2.8 fps. TFLite INT8 — 9.4 fps. З XNNPACK делегатом — 14 fps.
• Transformer-енкодер на мобільному CPU: MobileBERT в fp16 через CoreML на iPhone 15 — 18 мс/інференс. distilbert-base-uncased в ONNX — 42 мс.

Проблема не у виборі «квантизувати чи ні» — правильний шлях визначається пристроєм, завданням та допустимою деградацією метрики. Пропонуємо оцінку вашого проекту: за 24 години скажемо, наскільки реально прискорити модель.

Який метод квантизації вибрати для вашого завдання?

PTQ (Post-Training Quantization) — швидкий шлях. Берете навчену модель, проганяєте calibration dataset (200–1000 прикладів), отримуєте INT8 або INT4 ваги. Інструменти: torch.ao.quantization, ONNX Runtime quantization tool, bitsandbytes. Деградація точності: 0.5–2% на класифікації. Червона зона — детекція дрібних об'єктів та сегментація, де PTQ дає -4–8% mAP.

QAT (Quantization-Aware Training) — навчання з симульованими квантизаційними шумами. Дорожче (перенавчання), але деградація 0.1–0.5%. Виправдано, коли PTQ неприйнятний. В PyTorch — torch.ao.quantization.prepare_qat().

GPTQ / AWQ — для LLM. AWQ краще зберігає якість при 4-bit квантизації. llm-compressor від Neural Magic або autoawq — основні бібліотеки.

Зв'яжіться з нами для безкоштовного профілювання вашої моделі — ми оцінимо latency та запропонуємо план оптимізації.

Прунінг та дистиляція: коли квантизації недостатньо

Структурний прунінг видаляє канали або шари. Наприклад, видалення 40% каналів ResNet-50 з наступним fine-tuning дає -35% розміру, -28% latency при втраті top-1 accuracy лише на 1.2%. Інструменти: torch.nn.utils.prune, для transformer — прунінг attention heads (movement pruning, LTP). Глибша техніка — N:M sparsity, коли з кожних M ваг залишаються N ненульових (NVIDIA Ampere підтримує 2:4).

Knowledge distillation — навчаємо маленьку student імітувати велику teacher через KLDivLoss на soft labels. Feature distillation на проміжних шарах (hint-based) дає краще збереження якості. Hugging Face DistilBERT: 66M vs 110M параметрів, -40% latency, -3% на GLUE. Температура дистиляції — ключовий гіперпараметр (типово 4–8).

Комбінований підхід: дистиляція → прунінг → QAT. Дає максимальний ефект на обмеженому залізі. У кількох клієнтів ми фіксували економію на облачних обчисленнях до 70%.

Цільові платформи та інструменти

TensorRT — головний інструмент для NVIDIA edge. TRT будує граф з fusion операторів, вибирає оптимальні ядра. На Jetson AGX Orin YOLOv8m в TRT INT8 дає 78 fps проти 22 fps в fp16 PyTorch — прискорення в 3.5 рази.

Практичний кейс з нашої практики: детекція дефектів на виробничій лінії

Наш клієнт — виробниче підприємство. Завдання: виявлення подряпин на металі в реальному часі, 30 fps, камера до Jetson Xavier NX (16GB). Вихідна модель YOLOv8l mAP50 0.91, inference на сервері 28 мс, на Jetson в fp16 — 110 мс (9 fps). Не підходить.

Кроки оптимізації:

1. Перехід на YOLOv8m — mAP50 0.887 (-2.3%), 68 мс
2. Експорт в TensorRT FP16 через yolo export format=engine half=True — 31 мс (32 fps)
3. INT8 calibration на 500 кадрах — 22 мс (45 fps), mAP50 0.879

Підсумок: деградація 3.5% при 5× прискоренні. Клієнт отримав engine та документацію. Гарантуємо, що метрика не впаде нижче обумовленого порогу — прописано в договорі.

Приклад профілювання latency по шарах YOLOv8m на Jetson Xavier NX (fp16):

- Convolution (layer 1–5): 12 ms
- Bottleneck (layer 6–10): 8 ms
- Head (detection): 11 ms

Вузьке місце — останні шари head'а. Після квантування head'а окремо latency head знизилась до 4 ms.

Що входить в роботу

• Звіт по профілюванню моделі на цільовому пристрої (latency по шарах, вузькі місця)
• Вибір та обґрунтування методів оптимізації (quantization / pruning / distillation)
• Оптимізована модель (TensorRT engine / TFLite / CoreML / ONNX)
• Конфіги для відтворення (скрипти, Docker-образ, інструкція)
• Тестування на реальному пристрої (не менше 10 000 інференсів)
• Навчання вашої команди (2 години онлайн)
• Підтримка 1 місяць після передачі

Як замовити оптимізацію моделі?

1. Залиште заявку на сайті або зв'яжіться з нами будь-яким зручним способом.
2. Ми проводимо безкоштовне профілювання вашої моделі на цільовому пристрої протягом 24 годин.
3. Готуємо план оптимізації з оцінкою trade-off (швидкість vs якість).
4. Ви затверджуєте план — ми приступаємо до роботи.
5. Після завершення передаємо оптимізовану модель, конфіги та документацію.
6. Проводимо навчання вашої команди та надаємо місячну підтримку.

Терміни: оптимізація готової моделі — 2–4 тижні. Розробка з нуля під edge — 6–16 тижнів. Вартість розраховується індивідуально залежно від складності моделі та цільової платформи.

Отримайте консультацію — ми безкоштовно оцінимо вашу модель та запропонуємо план за 24 години. Замовте безкоштовне профілювання прямо зараз.