🔧 Menestystä ja opittuja asioita: Edge Computing Raspberry Pi 5:llä ja FME Remote Enginellä! 🍓💻🦎

Meillä on ilo ilmoittaa, että Raspberry Pi 5:tä ja FME:n Remote Engineä käyttävä reunalaskentaratkaisumme on virallisesti käytössä ! 🎉

Prosessi:

Kehyskaappaus videovirroista: Käytämme Raspberry Pi:tä kehysten poimimiseen live-videosyötteistä reaaliajassa, valmiina välittömään käsittelyyn.
Kuvan valmistelu FME Remote Enginen avulla: FME Engine käsittelee kuvat paikallisesti Pi:llä optimoiden ne myöhempää analysointia varten.
Objektintunnistus YOLOn avulla Darknetin kautta: Darknetiin integroidut edistyneet AI-mallit (YOLO) tunnistavat kuvissa olevat kohteet ja varmistavat avainelementtien tarkan havaitsemisen.
Ulostulon tarkentaminen FME Remote Enginen avulla: FME tarkentaa ja suodattaa edelleen havaitsemistuloksia, mikä parantaa tietojen tarkkuutta ja asianmukaisuutta.
Ehdollinen raportointi FME Flow’lle: Kattavat raportit lähetetään FME Flow’n pääesiintymään vain, kun tietyt objektit havaitaan määritellyllä todennäköisyydellä, mikä vähentää tarpeetonta tiedonsiirtoa.

Mutta matkalla ei ollut haasteita. Vaikka Raspberry Pi 5 -laitteisto on vaikuttava, kohtasimme odottamattomia vaikeuksia käyttöjärjestelmien kanssa.

💡 Mitä opimme:

✅ Edge Workflow Success: Pi:n parannettu suorituskyky yhdistettynä FME:n tehokkaaseen tiedonkäsittelyyn loistaa todella reunalaskentaskenaarioissa.

⚠️ Edessä olevat haasteet:

Raspberry Pi OS:

Yhteensopivuusongelmat: Jotkin FME:n vaatimat riippuvuudet ja kirjastot eivät olleet helposti saatavilla tai yhteensopivia.
Asennuksen esteet: FME Enginen asentaminen Raspberry Pi OS:ään oli monimutkaisempaa kuin odotettiin.

Ubuntu 24.04 ARM:

Kameran yhteensopivuus: Raspberry Pi -kamera ei ollut helposti yhteensopiva kuljettajien erojen vuoksi.

✨ Ratkaisumme:

Siirtyimme Ubuntu 24.04 ARM: iin ja mukautimme videotulomme käyttämällä YouTube-streamia .

Saumaton integrointi: Ubuntun yhteensopivuus FME:n kanssa mahdollisti sujuvamman asennuksen ja toiminnan.
Parannettu tuki: Laaja dokumentaatio ja yhteisön tuki Ubuntulle ARM:ssa auttoivat meitä voittamaan esteet nopeasti.

🌟 Lähestymistapamme edut:

Reaaliaikainen tietojenkäsittely: Suorittamalla laskelmia suoraan Raspberry Pi:llä saamme välittömiä näkemyksiä ilman viiveitä.
Kaistanleveyden optimointi: Paikallinen käsittely vähentää tarvetta siirtää suuria tietomääriä verkon yli, mikä säästää kaistanleveyttä.
Kustannustehokas skaalautuvuus: Raspberry Pi 5:n kaltaisten kohtuuhintaisten laitteistojen avulla on helppo skaalata reunalaskentasolmuja tarpeen mukaan.
Parannettu joustavuus: FME:n Remote Engine käsittelee erilaisia tietomuotoja ja työnkulkuja, minkä ansiosta voimme mukautua nopeasti erilaisiin skenaarioihin.
Parannettu yksityisyys ja turvallisuus: Tietojen käsittely reunalla minimoi arkaluontoisten tietojen paljastumisen verkoissa.
Yksinkertaistettu anturien integrointi: Mahdollisuus lisätä helposti oheislaitteita, kuten USB-kameroita, GPS-moduuleja ja lämpötila-antureita, laajentaa tiedonkeruun laajuutta.

🚀 Eteenpäin:

Testaus USB-kameroilla: Suunnittelee integroida USB-kameroita, joilla on Ubuntussa yleisemmin tuetut ajurit.
Lisäantureiden tutkiminen: Laajennamme kokoonpanoamme sisältämään GPS:n, lämpötilan ja paljon muuta kattavaa tiedonkeruuta varten.

🔑 Key Takeaway: Käyttöjärjestelmällä on ratkaiseva rooli reunalaskentaprojektien onnistumisessa. Jos uskallat samanlaiselle alueelle, harkitse Ubuntu ARM:n käyttöä Raspberry Pi -laitteessa sujuvamman kokemuksen saamiseksi.