Canonical ha publicat una guia pràctica per portar models d’IA a producció als microprocessadors Renesas RZ/V fent servir Ubuntu Core 26. La idea és aprofitar l’accelerador DRP-AI que incorpora aquest silici per executar inferència de xarxes neuronals directament al dispositiu, sense dependre del núvol ni d’una GPU de centre de dades.
El DRP-AI (Dynamically Reconfigurable Processor for AI) és la peça central. És un bloc dedicat dins del SoC que s’encarrega de la inferència, i la guia treballa amb dues plaques concretes: la RZ/V2L i l’EVK de la RZ/V2H. Sobre aquest maquinari, Ubuntu Core aporta el sistema base immutable i el model d’actualitzacions per snaps, que és on rau la gràcia del plantejament.
Del model ONNX al binari que corre a la placa
El flux no compila res al mateix dispositiu. Tota la feina pesant es fa en una màquina host o dins d’un contenidor Docker, i després es trasllada el resultat a la placa. El compilador és el DRP-AI TVM, que fa servir l’EdgeCortix MERA Compiler Framework per traduir el model a un conjunt d’instruccions que l’accelerador entén. Parteixes d’un model en format ONNX (l’exemple va amb ResNet18/ResNet50) i obtens els Runtime Model Data ja optimitzats.
Un detall que estalvia temps: pots compilar tota l’aplicació per a arm64 des d’un host amd64. No et cal una màquina ARM al davant per preparar el binari, cosa que encaixa bé amb pipelines de CI que ja tens muntats en x86.
Snapcraft com a mecanisme d’entrega
Un cop compilat el model, tot s’empaqueta amb Snapcraft en un únic snap. Canonical manté un repositori d’exemple, rzv_drp-ai_tvm_snap, que aplega les aplicacions de mostra de Renesas. Dins del snap hi viatgen la llibreria de runtime DRP-AI TVM (libdrp_tvm_rt.so i les seves dependències), l’aplicació de tutorial compilada (tutorial_app_v2ml) i les dades del model ja precompilades del directori models/.
La instal·lació necessita confinament devmode, perquè l’aplicació ha de tocar la interfície de maquinari de l’accelerador:
sudo snap install --devmode rzv-drp-ai-tvm-examples_*.snapI per llançar la inferència:
rzv-drp-ai-tvm-examples.tutorial-appL’exemple per defecte processa imatges BMP de 640×480 amb el model ResNet inclòs. No és una demo de joguina: mostra el camí complet de compilar fora, empaquetar com un sol artefacte i desplegar de manera reproduïble en maquinari encastat.
Per què importa si treballes amb edge
Si estàs muntant dispositius que executen visió per computador o classificació d’imatges al lloc, aquest patró et resol dos problemes alhora. El primer és la portabilitat del model: el compiles un cop al teu CI i obtens un snap que s’instal·la igual a cada unitat. El segon és el manteniment. En venir com a snap sobre Ubuntu Core, el model i el seu runtime s’actualitzen pel mateix canal que la resta del sistema, amb la possibilitat de revertir si alguna cosa falla.
El confinament devmode és la pega evident per a producció real, ja que relaxa les restriccions de seguretat del snap per arribar al maquinari. És el que cal esperar en un exemple que necessita accés directe al DRP-AI, i marca on hauries d’afinar les interfícies i els permisos abans d’un desplegament seriós.
La guia la signa Asa Mirzaieva, de l’equip de Silicon Alliances de Canonical, i es va publicar el 4 de juny de 2026. Encaixa amb la resta de la feina que Canonical va fent perquè Ubuntu sigui una base sòlida per a càrregues d’IA, aquí aplicada a l’extrem més petit de la cadena: el silici encastat.
Font
Basat en l’article original de Canonical al blog d’Ubuntu. Totes les dades tècniques, comandes i versions provenen d’aquesta publicació.