N2D2 : pour concevoir et déployer des réseaux de neurones optimisés pour l’embarqué

N2D2 dispose de nombreux avantages :

• son approche intégrée comprenant l’ensemble de la chaîne de conception, du développement de l’application à son déploiement: mise en forme des données, exploration des réseaux de neurones, apprentissage, tests et génération du code optimisé ;
• sa compatibilité avec de multiples cibles matérielles du marché, en proposant des implémentations optimisées : C++ pour MCU et DSP (STM32 et cœurs ARM notamment), TensorRT pour GPU, OpenCL pour DSP, GPU ou FPGA ;
• son fonctionnement optimisé avec les accélérateurs spécialisés développés au CEA : PNeuro (DSP SIMD dédié aux ASIC en cours d’industrialisation par un de nos partenaires) et DNeuro (architecture flot de données optimisée pour les FPGA) ;
• sa grande interopérabilité, avec le support du standard ONNX ainsi que son intégration avec les plateformes PyTorch et Keras ;
• une conception modulaire et un niveau d’abstraction simple permettant facilement de modifier ou d’ajouter de nouvelles fonctionnalités, y compris sur l’implémentation bas niveau des fonctions de calcul, permettant de tenir compte des spécificités du matériel visé pour le déploiement (calcul approximé, arithmétique saturée spécifique…) ;
• la souveraineté et la maîtrise du code, N2D2 étant totalement indépendant des autres plateformes de deep learning ;
• son approche multiparadigme, en intégrant dans la même plateforme la simulation de modèles de réseaux de neurones neuromorphiques, qui utilisent un codage impulsionnel de l’information pour mimer le fonctionnement des neurones biologiques. Ces modèles ouvrent la voie à des implémentations potentiellement plus efficaces des réseaux de neurones sur les nouvelles technologies de mémoire non volatile.

Exemples de cas d’usage :

• sécurité et défense : détection d’intrusion et contrôle d’accès en milieu contraint, segmentation d’images aériennes ou spatiales, réidentification d’objectifs en temps réel ;
• Industrie : contrôle qualité en temps réel sur des lignes de fabrication par reconnaissance d’images et prédiction ou détection d’anomalies ;
• Transport : perception de l’environnement en temps réel du véhicule autonome, par segmentation d’images et détection d’objets ;
• Marketing intelligent : analyse comportementale, ciblage personnalisé.