Ubuntu Core 26 lleva la IA al edge en los procesadores Renesas RZ/V

Canonical ha publicado una guía práctica para llevar modelos de IA a producción en los microprocesadores Renesas RZ/V usando Ubuntu Core 26. La idea es aprovechar el acelerador DRP-AI que incorpora ese silicio para ejecutar inferencia de redes neuronales directamente en el dispositivo, sin depender de la nube ni de una GPU de centro de datos.

El DRP-AI (Dynamically Reconfigurable Processor for AI) es la pieza central. Es un bloque dedicado dentro del SoC que se encarga de la inferencia, y la guía trabaja con dos placas concretas: la RZ/V2L y la EVK de la RZ/V2H. Sobre ese hardware, Ubuntu Core aporta el sistema base inmutable y el modelo de actualizaciones por snaps, que es donde está la gracia del planteamiento.

Del modelo ONNX al binario que corre en la placa

El flujo no compila nada en el propio dispositivo. Todo el trabajo pesado se hace en una máquina host o dentro de un contenedor Docker, y después se traslada el resultado a la placa. El compilador es DRP-AI TVM, que usa el EdgeCortix MERA Compiler Framework para traducir el modelo a un conjunto de instrucciones que el acelerador entiende. Partes de un modelo en formato ONNX (el ejemplo viene con ResNet18/ResNet50) y obtienes los Runtime Model Data ya optimizados.

Un detalle que ahorra tiempo: puedes compilar toda la aplicación para arm64 desde un host amd64. No necesitas una máquina ARM delante para preparar el binario, algo que encaja bien con pipelines de CI que ya tengas montados en x86.

Snapcraft como mecanismo de entrega

Una vez compilado el modelo, todo se empaqueta con Snapcraft en un único snap. Canonical mantiene un repositorio de ejemplo, rzv_drp-ai_tvm_snap, que reúne las aplicaciones de muestra de Renesas. Dentro del snap viajan la librería de runtime DRP-AI TVM (libdrp_tvm_rt.so y sus dependencias), la aplicación de tutorial compilada (tutorial_app_v2ml) y los datos del modelo ya precompilados del directorio models/.

La instalación necesita confinamiento devmode, porque la aplicación tiene que tocar la interfaz de hardware del acelerador:

sudo snap install --devmode rzv-drp-ai-tvm-examples_*.snap

Y para lanzar la inferencia:

rzv-drp-ai-tvm-examples.tutorial-app

El ejemplo por defecto procesa imágenes BMP de 640×480 con el modelo ResNet incluido. No es una demo de juguete: muestra el camino completo de compilar fuera, empaquetar como un solo artefacto y desplegar de forma reproducible en hardware embebido.

Por qué importa si trabajas en el edge

Si estás montando dispositivos que ejecutan visión por computador o clasificación de imágenes sobre el terreno, este patrón te resuelve dos problemas a la vez. El primero es la portabilidad del modelo: lo compilas una vez en tu CI y obtienes un snap que se instala igual en cada unidad. El segundo es el mantenimiento. Al venir como snap sobre Ubuntu Core, el modelo y su runtime se actualizan por el mismo canal que el resto del sistema, con la opción de revertir si algo se rompe.

El confinamiento devmode es la pega evidente para producción real, ya que relaja las restricciones de seguridad del snap para llegar al hardware. Es lo esperable en un ejemplo que necesita acceso directo al DRP-AI, y marca dónde tendrías que afinar las interfaces y los permisos antes de un despliegue serio.

La guía la firma Asa Mirzaieva, del equipo de Silicon Alliances de Canonical, y se publicó el 4 de junio de 2026. Encaja con el resto del trabajo que Canonical viene haciendo para que Ubuntu sea una base sólida para cargas de IA, aquí aplicada al extremo más pequeño de la cadena: el silicio embebido. Si quieres probar Ubuntu Core 26 antes de tocar hardware real, tienes nuestra guía para montar un appliance de IA local en una máquina virtual.

Fuente

Basado en el artículo original de Canonical en el blog de Ubuntu. Todos los datos técnicos, comandos y versiones provienen de esa publicación.