圖像識別和GPU相輔相成，特別是在使用深度神經網絡（DNN）時。基于GPU的DNN在圖像識別領域的優勢已經在過去幾年在ImageNet大規模視覺識別挑戰（ILSVRC）中的成功得到了明確的證明，DNN最近實現了與訓練有素的人類相媲美的分類準確性，如圖1顯示。新的低功耗圖像識別挑戰（LPIRC）突出了移動和嵌入式設備上圖像識別的重要性。

具有卷積層的DNN是具有生物啟發性的人工神經網絡。這些網絡可能有五層或更多層，每層都有許多神經元。類似于突觸的鏈接連接層，將信息轉發到下一層。培訓過程調整鏈接上的權重，提高網絡對呈現給它的信息進行分類的能力。用于訓練DNN的數據越多，其分類性能就越好。這種大數據需求導致了GPU的大量使用，因為GPU在高度并行計算（如深度學習中使用的那些計算）上的高吞吐量設計。

ImageNet是一個很好的圖像資源，它擁有一個根據描述性名詞層次組織的大型圖像數據庫。ImageNet每年都會舉辦ILSVRC，為此參賽者開發了用于準確識別圖像中物體的算法。ImageNet提供了來自1000個不同對象類別的超過120萬張圖像的大型圖像集，用于訓練識別算法。學術界和工業界的參與者表現強勁，近年來與Google，斯坦福大學，加州大學伯克利分校和Adobe等競爭對手表現強勁。

低功耗挑戰

為了促進低功耗設備的圖像識別，普渡大學電氣和計算機工程副教授Yung-Hsiang Lu和UNC Chapel Hill計算機科學助理教授Alex Berg正在組織低功耗圖像識別挑戰（LPIRC），這是一場專注于識別圖像識別和節能最佳技術的競賽。LPIRC的注冊現已開放。

實現高性能同時保持低功耗可能具有挑戰性，因為這兩個參數經常一起增加。去年，NVIDIA發布了Jetson TK1開發套件，這是一款非常適合圖像處理和計算機視覺應用的低功耗GPU加速計算平臺。Jetson TK1的低功耗要求和圖像處理能力將使其成為LPIRC競爭對手的熱門平臺。

用于LPIRC的示例性任務包括在圖像中定位和分類對象，包括識別多個對象。許多ILSVRC團隊在年度ImageNet競賽中使用CNN，他們很可能是為LPIRC部署的機器學習體系結構之一。訪問LPIRC網站了解有關重要日期和競賽任務的信息。

免費Jetson TK1參與團隊開發工具包

Jetson TK1將成為本次比賽團隊的一項重要資產，峰值功率需求低于12.5瓦。Jetson TK1支持CUDA，cuDNN，OpenCV和流行的深度學習框架，如Caffe和Torch。Jetson本質上是一個微型超級計算機，可以直接與顯示器，鍵盤和鼠標或通過ssh連接使用，它預裝了Ubuntu Linux，因此入門很容易。

作為LPIRC的贊助商，NVIDIA為參賽車隊提供免費的Jetson TK1開發工具包，每位獲勝者將獲得NVIDIA GPU。如果您的團隊想要為LPIRC使用Jetson TK1，請填寫此申請表。NVIDIA將審查提案并為選定的申請人提供TK1 DevKits。

我的Jetson TK1深度學習設置

將訓練有素的網絡移植到Jetson TK1并進行分類很容易。圖1顯示了我的設置。對于額外的磁盤空間，我添加了一個外部硬盤驅動器并使用SATA接口連接它。我使用4端口USB 3.0集線器通過鼠標和鍵盤以及更多硬盤直接連接。

我在我的Jetson TK1上制作了Caffe，所以我可以將它用于分類。Caffe的網絡演示例子是一個簡單而簡單的測試方法。Web演示在Jetson TK1上運行Web服務器，并且需要包含預訓練網絡的BVLC參考CaffeNet輔助數據。一旦建立并運行，使用Jetson TK1的IP地址端口500（例如192.168.1.5:5000）從本地網絡上的任何設備訪問演示。您可以使用以下-g標志以GPU加速運行Web演示：

python examples / web_demo / app.py -g

如下表所示，我使用該演示對具有和不具有GPU加速功能的五個圖像進行分類，以便使用Tegra K1的GPU與其CPU進行分類，從而加快分類速度。

今天注冊低功耗圖像識別挑戰！

LPIRC的注冊現已開放。比賽將于2015年6月7日在設計自動化大會上舉行，所以現在就組建一個團隊，并為您的團隊填寫免費的NVIDIA Jetson TK1開發板的應用程序。