JADA221A June   2026  – October 2026 MSPM0G5187

 

  1.   1
  2.   概要
  3.   商標
  4. 1 概要
  5. 2 TinyEngine NPU を搭載した MSPM0G5187
  6. 3 エッジ AI ツールチェーン
    1. 3.1 TI Edge AI Studio
    2. 3.2 TI Tiny ML Tensorlab
    3. 3.3 TI ニューラル ネットワーク コンパイラ
  7. 4 TI Edge AI Studio による迅速なプロトタイピング
    1. 4.1 プロジェクトの設定
    2. 4.2 データ キャプチャ
      1. 4.2.1 ハードウェア設定
      2. 4.2.2 機能の概要
    3. 4.3 データのインポート
      1. 4.3.1 分類タスク
      2. 4.3.2 回帰タスク
      3. 4.3.3 予測タスク
      4. 4.3.4 アノテーション リスト
    4. 4.4 データ アノテーション
    5. 4.5 モデルのトレーニング
      1. 4.5.1 トレーニング パラメータ
      2. 4.5.2 ツールチェーンの依存関係
    6. 4.6 パフォーマンス レポート
    7. 4.7 モデルのエクスポート
  8. 5 TI Tiny ML Tensorlab による高度な開発
    1. 5.1 環境設定
    2. 5.2 データ収集
      1. 5.2.1 データの取得
      2. 5.2.2 データの検証
    3. 5.3 モデル アーキテクチャの反復リファクタリング
      1. 5.3.1 ベースライン実装
      2. 5.3.2 PyTorch 組み込みモジュールによるリファクタリング
      3. 5.3.3 データ パイプラインの最適化
      4. 5.3.4 CNN アーキテクチャへの移行
    4. 5.4 モデルのエクスポート
    5. 5.5 量子化対応トレーニング
    6. 5.6 モデルのコンパイル
  9. 6 エッジ AI アプリケーション：数字認識
    1. 6.1 LeNet–5 バリアント CNN モデル
    2. 6.2 NPU/CPU の性能比較
  10. 7 エッジ AI アプリケーション：波形分類
    1. 7.1 特徴抽出
    2. 7.2 時系列分類モデル
    3. 7.3 モデル メモリに関する検討事項
    4. 7.4 NPU/CPU の性能比較
  11. 8 まとめ
  12. 9 参考資料
  13. 10改訂履歴

6.2 NPU/CPU の性能比較

エッジ AI モデルは、TI ニューラル ネットワーク コンパイラを用いてハードウェアにデプロイでき、専用ハードウェア NPU またはホスト CPU のいずれかをターゲットとします。TinyEngine NPU は、高効率でニューラル ネットワーク計算を実行する専用ハードウェア アクセラレータであり、汎用 CPU に比べて推論レイテンシとエネルギーが大幅に低減されます。

性能評価を容易にするため、MSPM0 SDK はユーザー ベンチマーク用として NPU と CPU の両方の実装例を提供しています。以下を参照してください。

表 7-9 に、数字認識アプリケーションにおける NPU ベースと CPU ベースのエッジ AI 設計の性能比較を示します。

表 6-3 NPU/CPU の性能比較
性能指標NPU ベースの設計CPU ベースの設計
精度約 99%約 99%
フラッシュの使用率73KB68KB
RAM の使用法10.9KB8.1KB
推論レイテンシ6.05ms89.81ms
推論エネルギー (AVG)170.38uJ2,447.45uJ

NPU ベースの設計は、CPU ベースの実装に比べて、推論レイテンシが約 15 分の 1 に短縮されます。また、推論 1 回の電力消費が約 96% 低減するという実質的な効果もあるため、電力制約の厳しいエッジ アプリケーションにおいて高い効率性を実現します。