Capgemini aprovecha la cartera de Qualcomm Dragonwing para mejorar la monitorización ferroviaria con Edge AI
El dispositivo de IA impulsado por Qualcomm Dragonwing aumenta la productividad y reduce la dependencia de la nube en la aplicación de monitoreo de pasos a nivel de Capgemini Cuando un vehículo se detiene en un paso a nivel, ¿cuántos segundos hay para evitar un accidente ferroviario? En un sistema de comunicaciones ferroviarias moderno, el factor clave es el tiempo necesario para detectar la parada del vehículo. Cuanto menor sea el retraso, antes se podrán enviar las alertas a las tripulaciones de los trenes, los responsables de seguridad ferroviaria y los servicios de emergencia. Al desarrollar aplicaciones de seguridad ferroviaria, Capgemini Engineering buscó maneras de mejorar la productividad y la ejecución de sus modelos de inteligencia artificial (IA) para detectar condiciones peligrosas con mayor rapidez. Mediante un proyecto de integración con Qualcomm Technologies, Inc., Capgemini cambió su solución de hardware anterior por un dispositivo de IA edge con la plataforma Qualcomm® Dragonwing™ QCS6490. Como resultado, redujeron el uso de memoria en un 32,92 % y el uso de CPU en un 5 %, con un tiempo de inferencia de IA de 18 milisegundos por fotograma. Al aumentar la eficiencia de su computación edge, disminuyeron la necesidad de transferencias de red y computación en la nube, y aumentaron la productividad de la solución hasta en un 40 %. Este artículo describe el proyecto en detalle. Los arquitectos y desarrolladores de soluciones de IA descubrirán cómo integrar sin problemas otros productos de hardware con los procesadores IoT industriales integrados de Qualcomm Technologies. Uso de la comunicación móvil y la IA para la seguridad ferroviaria Para un cliente estadounidense de ferrocarriles de carga de Clase 1, Capgemini desarrolló una solución de análisis de video y un dispositivo de hardware para la monitorización de pasos a nivel entre carreteras y ferrocarriles (HRGC) y tramos de vía principal. Los operadores ferroviarios buscan constantemente maneras de reducir el riesgo de colisiones con vehículos y otros obstáculos; solo en EE. UU., los incidentes de HRGC ocurren unas 2000 veces al año . Además del impacto financiero y operativo de estos incidentes, más del 40 % de ellos resultan en muertes o lesiones. El dispositivo de Capgemini incluye un modelo y un algoritmo de IA para monitorizar los cruces y las vías principales, y enviar una alerta a través de una red de datos cuando el algoritmo identifica una condición potencialmente peligrosa. El personal ferroviario correspondiente gestionaría la alerta dirigiendo el tráfico ferroviario afectado, despejando el bloqueo, involucrando a las autoridades públicas o tomando otras medidas necesarias. Para crear el modelo de IA, Capgemini utilizó el framework PyTorch y el modelo de detección de objetos YOLOv8, disponible públicamente . Entrenaron el modelo con un conjunto de imágenes seleccionadas para que el algoritmo pudiera predecir con precisión una colisión inminente. Validaron el modelo resultante con un conjunto de datos e imágenes en tiempo real. Una vez satisfechos con la precisión del modelo, lo implementaron en un dispositivo local dedicado a la inferencia de IA, con conexión a la nube. Recurrir a la tecnología Qualcomm® para lograr una mayor productividad y eficiencia Pero la solución tenía limitaciones en varias áreas: Para superar estas limitaciones, los ingenieros de Capgemini recurrieron a la tecnología Qualcomm integrada en el dispositivo AIM-Edge QC01 de Inventec. El dispositivo funciona con el procesador Dragonwing QCS6490 , diseñado para aplicaciones de IoT industriales y comerciales. El Dragonwing QCS6490 ofrece Wi-Fi 6/6E de nivel empresarial, compatibilidad con hasta cinco cámaras simultáneas y un procesador Qualcomm® Hexagon™ (NPU) para la aceleración de la IA. Las pruebas de concepto de los ingenieros los convencieron de que el rendimiento del Dragonwing QCS6490 sería mejor que el del hardware existente. Procedieron a implementar su aplicación de monitoreo de pasos a nivel en el dispositivo Inventec con tecnología del Dragonwing QCS6490. Integración del modelo con hardware Qualcomm® La Figura 1 muestra los pasos que siguió Capgemini en el proyecto de integración. No fue necesario modificar el modelo base, por lo que no tuvieron que repetir el trabajo ya realizado de entrenamiento, validación, congelación y conversión al formato Open Neural Network Exchange (ONNX). Figura 1: Pasos en la integración con el chipset Qualcomm® Para aprovechar la aceleración de hardware en las NPU de Qualcomm Technologies, los ingenieros modificaron la canalización de datos del modelo, primero en su entorno de compilación y luego en la implementación del modelo. 1. Construir entorno La personalización del modelo para su ejecución en la NPU requirió cambios en el flujo de datos para la cuantificación y el almacenamiento en caché. Utilizando el SDK de Procesamiento Neural de Qualcomm® y otros paquetes proporcionados por Qualcomm Technologies, los ingenieros de Capgemini añadieron pasos a su proceso de compilación. Convertir ONNX a DLC Los ingenieros primero convirtieron el modelo de ONNX a un archivo DLC (Contenedor de Aprendizaje Profundo) específico de Qualcomm Technologies para su uso en la canalización del Motor de Procesamiento Neural Snapdragon® y el entorno de ejecución de la NPU. La herramienta de conversión generó estadísticas, incluyendo información sobre capas no compatibles o no aceleradas, que permitieron a los ingenieros ajustar el diseño del modelo inicial. Cuantizar Utilizando la canalización del motor de procesamiento neuronal de Snapdragon y herramientas del SDK como snpe-dlc-quant , el equipo introdujo datos de calibración y definió los parámetros, incluyendo el nivel de cuantificación necesario. Su primer intento con la cuantificación INT8 resultó en un modelo funcional, pero la precisión fue inaceptablemente baja. Cuando Capgemini informó que INT8 no funcionaba, los ingenieros de Qualcomm Technologies sugirieron analizar la arquitectura para detectar las diferencias entre la precisión total a 32 bits y la de 8 bits. Esto revelaría qué capa se desviaba demasiado. En lugar de convertir esa capa a INT8, Capgemini podría dejarla en FP16 para la siguiente pasada. Intentaron cambiar varias capas, pero el resultado fue el mismo. Luego, configuraron todas las activaciones a FP16 y los pesos y sesgos a INT8. El resultado fue un modelo mucho más preciso, que finalmente implementaron. La primera vez que el equipo cuantizó su modelo, dedicó un tiempo considerable a la revisión de la documentación, consultas con los ingenieros de Qualcomm Technologies e
