Deep Station2

2023年10月販売終了

NVIDIA RTX™ A5000搭載 Deep Analyzerですぐに学習を開始できる！

Deep Station2はハードウェアとソフトウェアが一体となったオールイン型の深層学習環境です。
最小限の投資で届いたその日からディープラーニングが始められます。
●オンプレミスで完結　データの外部設置不要（ハードウェア1台で動作するため、データを外部に設置する必要がありません)
●マウス操作で本格的なAI開発(人工知能の専門家ではなくとも手軽にAIの開発・訓練・検証が行えます)
●60万円台から導入可能な月々の課金ゼロ（エントリーモデルから、本格的な運用/開発のためのエンタープライズモデルまで幅広いニーズに対応します。

製品情報インデックス

製品について

主な特長
仕様
価格表
この製品の保証内容

製品サポート・ダウンロードなど

製品について
製品サポート・ダウンロードなど

主な特長

Deep Analyzerによるディープラーニング①

プログラミング不要の簡単操作

Deep Analyzerによるディープラーニング②

代表的なアルゴリズムを6種プリセット

Deep Analyzerによるディープラーニング③

高度な設定やチューニングも設定可能

Deep Analyzerによるディープラーニング④

ブラウザから学習済みAIを利用可能

ブラウザから学習済みAI を利用可能

仕様

ハードウェア構成

モデル		Deep Station2 Entry	Deep Station2 Pro
形状		デスクトップ
CPU		Intel® Core™ i7-10700 (8コア、16MBキャッシュ、2.90GHz)	Intel® Xeon® Silver 4210 (10コア、13.75MBキャッシュ、2.20GHz)
メモリ		16GB(32GBに拡張可能)	32GB(64GBに拡張可能)
OS		Ubuntu 18.04 LTS Desktop
開発環境		Cuda 11.2/TensorfFlow/Keras/Theano
外部ポート	LAN	RJ-45 1GbE x2
	USB	USB 3.2x4(背面のみ)	USB 3.0x4(背面のみ)
	その他	-	Serial Portx1
拡張スロット		-	PCI-E 3.0(x16)x1 PCI-E 3.0(x4)x1
搭載ドライブ		960GB SATA SSDx1	960GB NVMe M.2 SSDx1
GPU		NVIDIA® RTX™ A5000×1(相当品) メモリ24GB、Nvidia Ampere アーキテクチャ搭載、PCI-E Gen4対応	NVIDIA® RTX™ A5000×2(相当品) メモリ24GB、Nvidia Ampere アーキテクチャ搭載、PCI-E Gen4対応
電源		750W(AC 100-240V 50/60Hz、非冗長)	1500W(AC 100-240V 50/60Hz、非冗長)
消費電力		550W/590VA	740W/750VA
標準添付品		100V用電源コード(NEMA5-15P/C13) 2m×1	100V用電源コード(NEMA5-15P/C19) 2m×1、筐体用鍵x1
動作環境		温度:10℃～35℃　湿度:20%～80%RH(ただし結露なきこと)
外形寸法		185(W)×376(D)×292(H)mm	206(W)×596(D)×455(H)mm
重量		約10kg	約20kg

ソフトウェア(Deep Analyzer)仕様

機能: 【データセット管理】登録 / 閲覧 / ダウンロード
【モデルの作成】訓練 / 学習状況の閲覧 / データのリサイズ・オーグメンテーション / 事前学習済みモデルの利用 / マルチGPUによるハイパーパラメータ最適化 / 学習の予約管理 / 最適化関数等の各種詳細設定
【モデルの利用】推論 / 閲覧 / ダウンロード / 推論用サンプルコード提供
【ユーザー管理】複数ユーザーの利用 / 管理

対応学習アルゴリズム: 【画像分類/音源分類】Xception、InceptionV3、VGG19、VGG16、ResNet50、InceptionResNetV2、DensNet121、DensNet169、NASNetMobile、MobileNet、MobileNetV2、Minimal
【画像生成】DCGAN
【ペア画像生成】Pix2Pix
【物体検出】RetinaNet
【異常検知】Efficient GAN-Based Anomaly Detection

対応データセット形式: 【画像分類】Caltech101形式
【画像生成】Caltech101形式
【ペア画像生成】Pix2Pix形式
【物体検出】MSCOCO形式
【音源分類】Categorized Audio形式
【異常検知】Uncategorized Images形式

エッジデバイスサポート: 【デバイス用モデルの作成：画像分類】
Sipeed MaixPy K210搭載デバイス
Coral Edge TPU + 対応Linux PC／ボード
【学習モデルの転送／デバイスでの推論：画像分類】※
Sipeed Maix M1 Dock
Coral Edge TPU + Raspberry Pi 3
【デバイスでのデータセット作成：画像分類】※
Sipeed Maix M1 Dock

※付属のサンプルコードを使用