La inteligencia artificial en el borde de la red, conocida como edge AI, continúa ganando terreno gracias a la aparición de aceleradores especializados capaces de ejecutar modelos complejos sin depender de servicios en la nube. En este contexto, Sixfab ha presentado el AI HAT+, una nueva tarjeta de expansión para Raspberry Pi 5 basada en el acelerador DEEPX DX-M1. El objetivo es ofrecer una plataforma compacta, eficiente y relativamente asequible para tareas de visión artificial como detección de objetos, segmentación de imágenes y clasificación en tiempo real.

La propuesta llega en un momento en el que cada vez más desarrolladores, empresas industriales y aficionados avanzados buscan ejecutar algoritmos de inteligencia artificial directamente en dispositivos locales. Esto permite reducir la latencia, mejorar la privacidad de los datos y disminuir los costes asociados al procesamiento remoto. El nuevo AI HAT+ pretende aprovechar la popularidad de Raspberry Pi 5 para acercar estas capacidades a un público mucho más amplio.

Sixfab apuesta por la IA en el borde

Durante los últimos años, Raspberry Pi ha evolucionado desde una sencilla placa educativa hasta convertirse en una plataforma utilizada en automatización industrial, robótica, monitorización remota y sistemas de visión artificial. Sin embargo, los procesadores ARM integrados en estas placas siguen teniendo limitaciones cuando se trata de ejecutar modelos neuronales complejos a gran velocidad.

Para resolver este problema han aparecido aceleradores específicos que descargan parte del trabajo de la CPU. El nuevo Sixfab AI HAT+ se suma a esta tendencia mediante la integración del procesador DEEPX DX-M1, un chip especializado en inferencia de inteligencia artificial que se conecta a la Raspberry Pi 5 mediante la interfaz PCI Express. Según CNX Software, el producto estará disponible en dos versiones: una de 13 TOPS y otra de hasta 25 TOPS de rendimiento INT8.

La cifra TOPS, que significa Tera Operations Per Second, se utiliza habitualmente para medir la capacidad de procesamiento de aceleradores de IA. Una configuración de 25 TOPS permite ejecutar modelos de visión artificial significativamente más rápido que utilizando únicamente la CPU de la Raspberry Pi.

Un diseño pensado específicamente para Raspberry Pi 5

Uno de los aspectos más interesantes del nuevo AI HAT+ es que no utiliza un módulo M.2 independiente, sino que incorpora el acelerador DEEPX soldado directamente sobre la placa. Esta decisión simplifica la instalación y reduce posibles problemas de compatibilidad.

El dispositivo se conecta mediante un cable FFC PCIe de 16 pines y obtiene alimentación directamente desde el conector GPIO de 40 pines de la Raspberry Pi 5. Esto evita la necesidad de fuentes adicionales, aunque Sixfab recomienda utilizar una fuente de alimentación de al menos 27 W para garantizar un funcionamiento estable bajo carga máxima.

Desde el punto de vista físico, el AI HAT+ mantiene el formato HAT+ oficial de Raspberry Pi, con unas dimensiones aproximadas de 65 x 56,5 mm. También incorpora refrigeración pasiva y un conector para ventilador opcional destinado a escenarios donde la carga de trabajo sea constante durante largos periodos.

El protagonista: el acelerador DEEPX DX-M1

El verdadero atractivo del producto es el chip DEEPX DX-M1. Esta unidad de procesamiento neuronal ha sido diseñada específicamente para inferencia de modelos de inteligencia artificial en dispositivos edge.

La versión superior del AI HAT+ integra un DX-M1M capaz de alcanzar 25 TOPS con precisión INT8 y dispone de 1 GB de memoria LPDDR4X dedicada para la NPU. La variante de entrada emplea un DX-M1ML con 13 TOPS y 512 MB de memoria dedicada.

Técnicamente, disponer de memoria específica para la NPU reduce la dependencia de la memoria principal del sistema. Esto permite minimizar cuellos de botella durante la ejecución de redes neuronales convolucionales y otros algoritmos de visión por computador.

La arquitectura del DX-M1 está optimizada para operaciones matriciales masivas, fundamentales en modelos de detección y clasificación. Además, utiliza cuantización INT8, una técnica que reduce el tamaño de los modelos y mejora la velocidad de inferencia manteniendo un nivel de precisión adecuado para la mayoría de aplicaciones industriales.

Datos publicados por Sixfab en otros productos basados en el mismo acelerador muestran consumos comprendidos entre 2 y 5 vatios durante tareas intensivas de inferencia, cifras especialmente interesantes para sistemas alimentados por baterías o instalaciones remotas.

Casos de uso orientados a visión artificial

El AI HAT+ está claramente orientado a aplicaciones de visión por computador. Entre las tareas compatibles se encuentran la detección de personas, el reconocimiento de objetos, la segmentación semántica de imágenes y el análisis de vídeo en tiempo real.

Un ejemplo práctico podría ser un sistema de vigilancia capaz de identificar vehículos o personas sin enviar imágenes a servidores externos. Otro escenario sería una línea de producción industrial donde cámaras conectadas a Raspberry Pi detecten defectos de fabricación directamente en la propia planta.

En robótica también existen aplicaciones interesantes. Un robot móvil equipado con cámaras puede utilizar estos modelos para identificar obstáculos, reconocer objetos específicos o realizar tareas de navegación autónoma con menor latencia.

La ejecución local supone una ventaja importante. Al procesar los datos directamente en el dispositivo, se eliminan los retrasos asociados a la transmisión hacia servicios en la nube. Además, la información sensible nunca abandona el entorno local, algo especialmente relevante en aplicaciones industriales o sanitarias.

Compatibilidad con modelos populares

Sixfab ha simplificado considerablemente el despliegue de modelos de IA. La plataforma es compatible con Raspberry Pi OS basado en Debian Trixie y utiliza una instalación relativamente sencilla mediante el paquete dxrt-runtime distribuido por la propia compañía.

Los desarrolladores pueden utilizar modelos previamente optimizados desde el catálogo de Sixfab, incluyendo implementaciones de YOLOv8, MobileNet y ResNet. Estas arquitecturas son ampliamente conocidas en el sector por su equilibrio entre precisión y rendimiento.

También existe la posibilidad de exportar modelos personalizados a formato ONNX y posteriormente compilarlos al formato DXNN mediante la herramienta DX-COM. Esto abre la puerta a utilizar modelos desarrollados con frameworks como TensorFlow, PyTorch o Keras.

Desde una perspectiva técnica, la compatibilidad con ONNX resulta especialmente relevante porque facilita la portabilidad entre diferentes plataformas de inferencia. Un modelo entrenado en servidores con GPU puede adaptarse posteriormente para ejecutarse sobre el acelerador DEEPX sin necesidad de rediseñar completamente el flujo de trabajo.

Rendimiento y eficiencia energética

Uno de los aspectos que más interés despierta en este tipo de productos es la relación entre rendimiento y consumo.

Según la información disponible, la NPU consume aproximadamente entre 2,5 y 3 W bajo carga máxima de inferencia. Cuando permanece inactiva, el consumo puede descender hasta valores próximos a 0,5 W o 1 W. El conjunto formado por Raspberry Pi 5 y AI HAT+ suele situarse entre 13 y 15 W durante operaciones intensivas.

Estas cifras resultan bastante competitivas si se comparan con sistemas basados en GPU dedicadas, cuyo consumo puede multiplicar varias veces esos valores.

En soluciones industriales equipadas con el mismo acelerador se han registrado velocidades cercanas a 50 fotogramas por segundo en resoluciones de 1280 × 720 píxeles utilizando modelos de la familia YOLO. A resolución Full HD, las tasas de procesamiento pueden mantenerse entre 20 y 25 FPS dependiendo del modelo utilizado.

Para tareas de análisis de vídeo en tiempo real, estos valores suelen ser suficientes para aplicaciones de vigilancia, automatización industrial y robótica.

Frente a otras alternativas del mercado

La aparición del AI HAT+ de Sixfab inevitablemente invita a compararlo con otras soluciones disponibles para Raspberry Pi.

La referencia más evidente es el AI HAT+ oficial basado en aceleradores Hailo. Ambos productos ofrecen prestaciones similares para visión artificial y comparten el objetivo de acelerar modelos neuronales en dispositivos compactos.

Sin embargo, existen diferencias importantes en la arquitectura de hardware, el ecosistema software y las herramientas de desarrollo. Mientras Hailo ha construido una comunidad considerable durante los últimos años, DEEPX está ampliando progresivamente su presencia en el mercado edge AI.

También es relevante mencionar que el nuevo Raspberry Pi AI HAT+ 2 basado en Hailo-10H incorpora capacidades orientadas a modelos generativos y dispone de 8 GB de memoria dedicada, alcanzando hasta 40 TOPS. El AI HAT+ de Sixfab, en cambio, está claramente enfocado a visión artificial y actualmente no soporta modelos LLM de gran tamaño.

Esto no debe interpretarse necesariamente como una desventaja. Muchos despliegues industriales priorizan la eficiencia energética y la detección visual frente a la ejecución de grandes modelos lingüísticos.

El futuro del ecosistema DEEPX y Sixfab

La compañía ha confirmado que trabaja en nuevas soluciones basadas en la misma tecnología. Entre ellas destaca una futura placa denominada Edge AI Expansion Board que combinará aceleración de inteligencia artificial, almacenamiento NVMe y conectividad LTE o 5G en una única expansión para Raspberry Pi 5.

Esta estrategia parece orientada a crear un ecosistema completo de dispositivos edge capaces de desplegarse en ubicaciones remotas con conectividad permanente.

Además, Sixfab ya utiliza el acelerador DX-M1 en otros productos industriales como el ALPON X5 AI, un ordenador fanless destinado a aplicaciones profesionales. La reutilización de la misma pila de software entre diferentes dispositivos facilita el desarrollo y mantenimiento de proyectos a gran escala.

Reflexiones finales

El Sixfab AI HAT+ representa una nueva opción para quienes desean ejecutar inteligencia artificial directamente sobre Raspberry Pi 5 sin recurrir a servicios externos. Su acelerador DEEPX DX-M1 ofrece hasta 25 TOPS de potencia de inferencia con un consumo relativamente reducido, características especialmente atractivas para proyectos de visión artificial, automatización y edge computing.

Aunque no está pensado para ejecutar grandes modelos generativos ni asistentes conversacionales complejos, su enfoque especializado puede resultar más interesante para numerosos escenarios reales donde la detección de objetos, la clasificación de imágenes o el análisis de vídeo son las tareas prioritarias.

La combinación de compatibilidad con ONNX, soporte para Python y C++, memoria dedicada para la NPU y un precio de partida relativamente contenido sitúa a esta solución como una alternativa a considerar dentro del creciente ecosistema de aceleradores para la Raspberry Pi.