Nos résultats

Construire une IA embarquée performante avec Aidge

Aidge optimise et déploie les modèles d'IA sur des plateformes à ressources limitées et permet de lever les verrous des applications critiques : performance temps réel, efficacité énergétique, empreinte mémoire minimale et fiabilité. Aidge est utilisée pour développer de nombreux cas d'usage concrets dans les secteurs les plus exigeants de l'industrie. Parcourez ci-dessous une sélection des cas d'usage.

Contrôle non destructif
CND
Surveillance par l'opérateur

Contrôle non destructif assisté par IA

Aidge simplifie le déploiement d’algorithmes d’intelligence artificielle embarquée pour l’inspection ultrasonore des soudures dans le domaine du Contrôle Non Destructif (CND), contribuant ainsi à améliorer la fiabilité et l’efficacité des diagnostics sur des infrastructures critiques telles que les centrales nucléaires. Aidge permet notamment de quantifier un modèle de vision de type ConvNeXt et de générer automatiquement le code optimisé pour un système embarqué basé sur une carte i.MX8 de NXP. Cette intégration rend possible une assistance en temps réel des opérateurs tout en garantissant la confidentialité des données industrielles. Les optimisations apportées par Aidge permettent d’atteindre des performances de plus de 12 images par seconde, validant l’utilisation de la solution dans des conditions opérationnelles. Cette approche contribue à réduire les risques d’erreur, à standardiser les diagnostics et à accélérer significativement les opérations d’inspection, avec un temps d’analyse pouvant être réduit de plusieurs heures à quelques minutes.

Contributeurs : CEA

Vision par ordinateur
Optimisation
Décomposition tensorielle

Détection ultra-rapide d'objets

La famille de modèles YOLO a considérablement fait progresser la détection d'objets et cette approche est devenue un standard pour de nombreuses applications de vision en temps réel. Cependant, les contraintes des systèmes embarqués peuvent limiter leur déploiement efficace. C'est pourquoi Aidge propose une méthode d'optimisation des réseaux de neurones profonds basée sur la décomposition tensorielle. Cette approche factorise de grands tenseurs de poids en séquences de tenseurs de rang inférieur, remplaçant une couche initiale par une série de couches plus compactes. Cette transformation structurelle réduit considérablement le nombre de paramètres et diminue en conséquence les coûts calculatoires, mémoire et énergétiques, tout en améliorant le temps d'exécution. En pratique, cette méthode peut atteindre jusqu'à 40 % de compression, environ 50 % d'inférence plus rapide, et des économies d'énergie proches de 40 %.

Contributeurs : CEA

Aéronautique
Certification
Sûreté
ACETONE

Sécurité et certification : l'IA au service des systèmes aéronautiques

Grâce à son plugin ACETONE, Aidge propose une solution certifiable pour l'intégration de l'IA dans des systèmes aéronautiques critiques tels qu'ACAS-Xu (contrôleur embarqué d'évitement de collision) ou l'atterrissage basé sur la vision. Le plugin garantit que le code C généré est entièrement traçable et prévisible, avec un Temps d'Exécution dans le Pire des Cas garanti. Cela répond aux principales exigences de sûreté de tels systèmes.

Contributeurs : ONERA / CS Group

Nucléaire
Capteurs
Temps réel
C++

Des capteurs plus intelligents : surveillance nucléaire en temps réel

Aidge offre une inférence en temps réel supérieure pour la discrimination neutron-gamma dans les applications nucléaires, atteignant un temps d'inférence moyen de 20,1 μs sur un processeur NXP i.MX8M Plus. Cela le rend au moins 41 % plus rapide que ses concurrents tels que TensorFlow Lite, Apache TVM et ONNX Runtime, grâce à la génération d'un code C++ efficace.

Contributeurs : CEA

ASIC
Co-conception
MobileNet
Quantification 4-bits

Conception matérielle

Aidge joue un rôle clé dans la conception de matériel IA innovant tel que les ASICs. Dans l'approche envisagée, la partie du réseau de neurones dédiée à l'extraction de caractéristiques d'images est câblée directement dans le matériel, tandis que les couches restantes sont optimisées pour l'application cible. Aidge facilite cette co-conception matérielle-logicielle, notamment en permettant la quantification efficace d'un modèle d'extraction de caractéristiques basé sur MobileNet v1 avec une précision de 4 bits. Cette optimisation réduit la surface de silicium requise jusqu'à 8 fois. Prises dans leur ensemble, ces innovations ont un impact majeur sur l'industrie, avec une consommation énergétique réduite d'un facteur 1 000 par rapport aux standards du marché et une faible latence, permettant de traiter de la vidéo HD sur des systèmes embarqués.

Contributeurs : CEA

Bioacoustique
AudioMoth
Tuilage de graphe
IA embarquée

Surveillance acoustique passive

Aidge permet la création de modèles extrêmement légers pour la surveillance acoustique passive des puffins (oiseaux marins) en effectuant une classification sonore en temps réel directement sur des appareils embarqués. Le déploiement sur AudioMoth, une plateforme aux contraintes mémoire extrêmement strictes (seulement quelques kilo-octets de RAM), est rendu possible grâce aux techniques d'optimisation de topologie de modèles d'Aidge, en particulier le tuilage de graphe, qui réduit l'empreinte mémoire de pointe d'environ 25 % et permet au modèle de fonctionner dans les ressources limitées de l'appareil.

Contributeurs : BioPhonia

Capteur d'image
Empilement 3D
CMOS
Capture intelligente

Capteur d'image avec 3 couches empilées

Aidge est utilisé comme stack logiciel pour programmer et déployer des réseaux de neurones sur J3DAI, un accélérateur de réseaux de neurones profonds ultra-compact intégré dans un capteur d'image CMOS empilé en 3D pour des applications de détection intelligente. Grâce à ses capacités de programmation d'accélérateur et de quantification post-entraînement, Aidge permet une inférence efficace directement sur le capteur pour des tâches telles que la classification et la segmentation, sous des contraintes strictes de consommation énergétique, de mémoire et de surface de silicium. L'architecture proposée démontre une efficacité matérielle significative, atteignant jusqu'à 3 fois moins d'unités MAC et 3 fois moins de surface de silicium par rapport aux conceptions de l'état de l'art, illustrant comment Aidge soutient le déploiement de modèles d'IA sur du matériel embarqué hautement optimisé.

Contributeurs : ST Microelectonics, IRT NanoElec et CEA

Suivez toute l'actualité du projet

Rejoindre la communauté