Google Coral Dev Board – Eine Tech-Archäologie des maschinellen Lernens am Edge
Autor: DerSchneider
Einleitung: Als Google den „Raspberry Pi für KI“ erfand
Es war das Jahr 2019. Während die Cloud-Rechenzentren der Welt mit TPU-Pods vollgestopft wurden, tat Google etwas Ungewöhnliches: Das Unternehmen brachte einen KI-Beschleuniger auf den Markt, der nicht im Serverrack, sondern auf einem 88 × 60 mm kleinen Board seinen Dienst verrichten sollte. Das Coral Dev Board war die Antwort auf eine Frage, die damals noch visionär klang: Wie bringt man neuronale Netze dorthin, wo keine Glasfaserleitung hinführt? Auf eine Überwachungskamera im Wald, einen landwirtschaftlichen Roboter auf dem Acker oder eine medizinische Diagnoseeinheit ohne Internetzugang.
Das Versprechen war kühn: ein vollwertiger Linux-Rechner mit integriertem KI-Beschleuniger, der 4 Billionen Operationen pro Sekunde bei nur 2 Watt Leistung schafft. Die Hardware-Community war elektrisiert – endlich ein echter „Raspberry Pi für maschinelles Lernen“.
Sechs Jahre später ist die Lage komplexer. Das originale Dev Board wurde eingestellt. Die Nachfolger sind in puncto Support in ein Musterbeispiel typischer Google-Produktpflege geraten: vielversprechend gestartet, dann langsam vernachlässigt. Und doch: Das Erbe von Coral lebt weiter – in einer überraschenden Wendung, die zeigt, wie Tech-Giganten lernen.
Dieser Artikel seziert das Coral Dev Board bis auf die letzte Leiterbahn, beleuchtet seine technische Substanz, seine ungewöhnliche Architektur und fragt, was von der Vision geblieben ist – und was als Nächstes kommt.
Der Kern: Die ungewöhnliche Architektur des Dev Boards
Das Coral Dev Board unterscheidet sich in einem entscheidenden Punkt von nahezu allen anderen Einplatinencomputern: Es ist modular aufgebaut. Es besteht aus einem System-on-Module (SoM) – einer kleinen, herausnehmbaren Platine, die sämtliche Rechenkomponenten trägt – und einer Trägerplatine (Baseboard), die alle physischen Anschlüsse bereitstellt.
Diese Entscheidung war klug durchdacht. Der Entwickler kann auf dem Dev Board prototypen und später, wenn das Produktionsdesign steht, das SoM einfach auf eine eigene, kundenspezifische Trägerplatine stecken. Man entwirft also nicht zweimal eine Schaltung – ein klarer Wettbewerbsvorteil gegenüber monolithischen Lösungen.
Die Komponenten im Detail
Prozessor: NXP i.MX 8M
Im Herzen des SoM arbeitet ein NXP i.MX 8M, ein Quad-Core-Prozessor mit vier Cortex‑A53-Kernen bei bis zu 1,5 GHz. Ergänzt wird dieser durch einen Cortex‑M4F-Kern (266 MHz) – einen Mikrocontroller, der Echtzeitaufgaben übernehmen kann, während die großen Kerne schlafen.
Das klingt nach bescheidenen Werten, bedenkt man, dass selbst ein Raspberry Pi 3 ähnlich taktet. Doch der i.MX 8M glänzt nicht durch reine Rechenleistung, sondern durch seine Multimedia-Fähigkeiten: Er dekodiert 4K-Video in 60 Bildern pro Sekunde (HEVC, VP9) und beherrscht über 20 digitale Audio-Kanäle.
Grafik: GC7000 Lite
Die integrierte GPU von Vivante (GC7000 Lite) beherrscht OpenGL ES 3.1, Vulkan und OpenCL 1.2. Für anspruchsvolle 3D-Beschleunigung oder Bildverarbeitung ist sie ausreichend, aber nicht üppig. Das ist auch nicht ihre primäre Aufgabe – das Beschleunigen von 3D-Spielen ist nicht der Einsatzzweck.
Der eigentliche Star: Edge TPU
Was das Board wirklich auszeichnet, sitzt als separater Chip neben dem i.MX 8M: der Google Edge TPU. Dieser ASIC (Application-Specific Integrated Circuit) wurde von Google Research speziell für schnelle Inferenz neuronaler Netze entworfen.
Die technischen Daten klingen beeindruckend:
- 4 TOPS (Trillion Operations Per Second) bei INT8-Genauigkeit
- 2 TOPS pro Watt – eine bemerkenswerte Energieeffizienz
- FIT-Raten: 74 bei 85 °C Sperrschichttemperatur, 9 bei 55 °C
Zum Vergleich: Ein moderner Raspberry Pi 5 erreicht mit seiner CPU bei ähnlichen Modellen Inferenzzeiten von 23,5 ms (MobileNet V2) – der Coral mit Edge TPU benötigt nur 20,9 ms, bei einem Bruchteil der Leistungsaufnahme. Das hört sich nach einem kleinen Vorteil an, doch bei Videos mit 30 Bildern pro Sekunde summiert sich jedes gesparte Millisekunde.
Speicher und Massenspeicher
Das originale Dev Board gibt es in zwei Ausführungen: 1 GB oder 4 GB LPDDR4-RAM sowie 8 GB oder 16 GB eMMC-Flash. Ergänzt wird dies durch einen MicroSD-Steckplatz für zusätzlichen Speicher.
Alle Anschlüsse im Überblick
Das Board bietet eine umfangreiche, aber zweckmäßig dimensionierte Auswahl an Schnittstellen:
| Anschluss | Typ / Spezifikation |
|---|---|
| Stromversorgung | 1× USB Typ-C (5 V / min. 2 A) |
| USB (Host) | 1× USB 3.0 Typ-A |
| USB (OTG) | 1× USB 3.0 Typ-C |
| Serielle Konsole | 1× USB 2.0 Micro-B |
| Ethernet | 1× Gigabit Ethernet (RJ45) |
| Videoausgang | 1× HDMI 2.0a (Full-Size) |
| Display (DSI) | 39-poliger FFC (4‑Spur MIPI-DSI) |
| Kamera (CSI) | 24-poliger FFC (4‑Spur MIPI-CSI‑2) |
| Audio | 3,5 mm Klinke (CTIA), Lautsprecherklemme |
| Erweiterung | 40-poliger GPIO-Header (3,3 V) |
| Speichererweiterung | MicroSD-Steckplatz |
| Funk | Wi‑Fi 802.11b/g/n/ac (2,4/5 GHz), Bluetooth 4.2 |
Dieses Anschlussrepertoire ist bewusst auf Embedded-Prototyping ausgelegt: Zwei Kameras, zwei Displays, klassische Peripherie über USB‑A, schnelles Netzwerk über Gigabit‑Ethernet. Fehlen tut einzig ein zweiter USB‑A‑Port – ein Umstand, der manchen Bastler ärgern dürfte.
Der GPIO-Header im Detail
Der 40-polige GPIO-Header folgt weitgehend dem vom Raspberry Pi etablierten Standard, jedoch mit spezifischen Eigenheiten:
- Betriebsspannung: 3,3 V (alle I/Os)
- Maximaler Strom pro Pin: ca. 82 mA (Brownout-Risiko bei Überschreitung)
- Pull-down-Widerstände: 90 kΩ, während des Bootvorgangs aktiv
- Ausnahmen: I²C-Pins haben standardmäßig 3,3 V Pull-up
Eine vollständige Pinbelegungstabelle ist im offiziellen Datenblatt verfügbar. Der Header stellt UART, I²C, SPI, PWM und einfache GPIOs zur Verfügung.
Die kleinere Schwester: Coral Dev Board Mini
2020 folgte das Coral Dev Board Mini – ein kompakteres, aber grundlegend anders aufgebautes Gerät. Statt des NXP-i.MX 8M setzt es auf einen MediaTek 8167s SoC mit vier Cortex‑A35-Kernen bei ebenfalls bis zu 1,5 GHz.
Die wichtigsten Unterschiede im Vergleich zur Vollversion:
| Merkmal | Coral Dev Board (Original) | Coral Dev Board Mini |
|---|---|---|
| SoC | NXP i.MX 8M (A53) | MediaTek 8167s (A35) |
| Edge TPU-Anbindung | Direkt (Schnittstelle) | Über USB 2.0 |
| RAM | 1 GB / 4 GB LPDDR4 | 2 GB LPDDR3 |
| eMMC | 8 GB / 16 GB | 8 GB |
| Ethernet | Gigabit (RJ45) | Nicht vorhanden |
| USB | 1× USB‑A 3.0, 1× USB‑C OTG | 1× USB‑C OTG (Daten), 1× USB‑C (Strom) |
| Video | HDMI 2.0a (Full‑Size) | micro‑HDMI 1.4 |
| Abmessungen | 88 × 60 mm | deutlich kleiner |
Der Mini ist günstiger und kompakter, zahlt dafür aber einen Preis: Die Edge TPU ist nur über eine USB‑2.0‑Brücke angebunden, was die Transfergeschwindigkeit begrenzt. In der Praxis bedeutet das höhere Latenzen bei großen Modellen.
Die Seele des Geräts: Mendel Linux
Hardware ist nur die eine Hälfte. Was ein Entwicklungsboard wirklich ausmacht, ist die Software-Erfahrung. Coral setzt auf Mendel Linux – eine schlanke Debian‑Derivat, das speziell für die Edge‑TPU‑Plattform zugeschnitten wurde.
Warum nicht einfach Debian selbst? Weil Google initial bootfähige eMMC-Abbilder benötigte und Treiber für die spezifischen Peripheriegeräte integrieren musste. Mendel bleibt aber binary-kompatibel zu Debian – ein kluger Schachzug, der die Nutzung des riesigen Debian-Repositoriums erlaubt.
Der Workflow ist elegant:
- Modell in TensorFlow trainieren
- Nach TensorFlow Lite konvertieren und quantisieren (INT8)
- Mit dem Edge‑TPU‑Compiler übersetzen
- Auf dem Board ausführen – die Bibliothek delegiert die Berechnung automatisch an den TPU.
Doch hier lauert das erste Problem: Die letzte größere Mendel-Aktualisierung für das originale Dev Board stammt vom Ende 2021. Das mitgelieferte Python 3.7 ist inzwischen veraltet und erhält keine Sicherheitsupdates mehr. Für abgeschirmte Prototypen mag das vertretbar sein, in sicherheitskritischen oder produktiven Umgebungen ist es ein Warnsignal.
Benchmarks: Wo steht Coral wirklich?
Zahlen sagen mehr als Worte. Eine unabhängige Benchmark-Studie von 2025 verglich das Coral Dev Board mit dem NVIDIA Jetson Nano. Die Ergebnisse sind aufschlussreich:
| Szenario | Coral Dev Board | Jetson Nano |
|---|---|---|
| Dual-Step Framework (keine Personen im Bild) | 36,5 FPS | 23,8 FPS |
| Dual-Step Framework (1–4 Personen im Bild) | 0,9–2,9 FPS | 1,4–4,5 FPS |
| mAP (Detektionsgenauigkeit) | 98,8 % | 99,6 % |
Quelle: Bonaiuto et al., Benchmarking of Dual-Step Neural Networks for Detection of Dangerous Weapons on Edge Devices, 2025
Coral gewinnt im Leerlauf klar, verliert aber bei komplexen Szenarien mit mehreren Personen im Bild. Die Genauigkeit liegt mit 98,8 % nur minimal hinter dem Jetson (99,6 %). Der Leistungsvorteil beim Leerlauf ist auf die TPU-Architektur zurückzuführen – sie ist hochspezialisiert, während der Jetson flexibler, aber auch weniger effizient ist.
Eine weitere Studie von Kurniawan et al. (2025, Institut Teknologi Sepuluh Nopember) kam zu einem ähnlichen Bild:
| Aufgabe | Coral (Edge TPU) | Jetson Nano | Raspberry Pi 4 |
|---|---|---|---|
| Bildklassifikation | 50 ms | 2,6 ms | 500 ms |
| Objekterkennung | ca. 100 ms | ca. 7 ms | 500–1000 ms |
Quelle: Kurniawan et al., Performance Comparison of Edge Devices for Deep Learning-Based Object Detection and Classification, ISITIA 2025
Hier zeigt sich der entscheidende Unterschied: Für klassische Bildverarbeitungsaufgaben ist der Jetson deutlich schneller. Der Coral glänzt hingegen bei spezifischen, leichten Modellen – genau dort, wo die TPU ihr Design-Optimum erreicht.
Der Benchmark von Alasdair Allan (2025) präzisiert das Bild weiter:
| Gerät | Framework | MobileNet V2 (ms) | MobileNet V1 SSD (ms) |
|---|---|---|---|
| Coral Dev Board | Edge TPU | 20,9 | 15,7 |
| Coral USB (USB 3) | Edge TPU | 18,2 | 14,9 |
| Jetson Nano | TensorRT | 72,3 | 61,6 |
| Raspberry Pi 5 | TF Lite | 23,5 | 16,9 |
Quelle: Allan, Benchmarking ML on the Edge, GitHub, 2025
Die Überraschung: Der kleine Raspberry Pi 5 kommt in reinen CPU‑Berechnungen dem Coral bereits sehr nahe. Das spricht für die enorme Fortschritte bei ARM‑Prozessoren in den letzten Jahren – und relativiert gleichzeitig den angeblichen TPU‑Vorsprung.
Leistungsaufnahme: Im Durchschnitt verbraucht der Coral 5,5 Watt, etwa 10 % weniger als der Jetson Nano. Im Leerlauf hingegen liegt er mit 4,8 Watt deutlich höher (mehr als doppelt so viel wie der Jetson).
Der unrühmliche Status quo: EOL, Supportflaute und was das bedeutet
Wer heute ein Coral Dev Board kaufen möchte, muss sich beeilen. Die Bestände schwinden, und viele Händler listen das originale Board bereits als „retired“ oder „discontinued“.
Das Mini‑Board hat Google ebenfalls als End-of-Life (EOL) angekündigt. Die Softwaresituation ist prekär: Keine Systemupdates seit 2021, Sicherheitslücken bleiben offen, und Mendel Linux wird für die älteren Boards nicht mehr aktiv weiterentwickelt.
Ein Anwender, der das Board 2025 in Betrieb nahm, berichtet: „Die Installation war relativ schmerzfrei, und es funktioniert trotzdem. Aber ich würde diese Boards keinesfalls in einer exponierten Netzwerkumgebung betreiben.“
Das Fazit: Als Prototyping-Plattform für abgeschirmte Projekte ist der Coral auch heute noch brauchbar, solange man die veraltete Python‑Version akzeptiert. Für produktive Einsätze ist er nicht mehr zu empfehlen – ein trauriges Schicksal für so ein innovatives Gerät.
Coral NPU: Die überraschende Zukunft
Doch die Geschichte ist noch nicht zu Ende geschrieben. Im Oktober 2025 kündigte Google etwas an, das auf den ersten Blick wie ein Rückzug aussieht, bei genauerem Hinsehen jedoch eine strategische Kehrtwende darstellt: Coral NPU.
Kein Produkt, kein neues Dev Board – sondern ein Open‑Source‑NPU‑Architektur-Referenzdesign, das auf RISC‑V‑Standards basiert und unter der Apache‑2.0‑Lizenz frei nutzbar ist.
Die Botschaft von Google Research ist klar: „Wir haben aus Coral gelernt. Die Nachfrage nach breiterer Framework‑Unterstützung (über TensorFlow Lite hinaus) war überwältigend. Coral NPU ist die evolutionäre Antwort – kein direkter Ersatz, sondern die nächste Stufe.“
Die Eckpfeiler der neuen Plattform:
- Open Source – Jeder darf die NPU‑Architektur in eigene Chips einbauen, ohne Lizenzgebühren an Google
- RISC‑V‑basiert – Der NPU‑Kern ist ein RISC‑V‑Vektorprozessor mit Matrix-Execution-Unit
- Mehrere Frameworks – Nicht nur TensorFlow Lite, sondern auch JAX und andere ML‑Umgebungen werden unterstützt
- Ultra‑Low‑Power – Ausgelegt auf Sub‑10‑mW‑Inferenz für Wearables und Always‑on‑Sensoren
- Skalierbar – Die Architektur ist konfigurierbar für Modelle von unter 1 MB bis zu 1 GB
Die Roadmap zeigt, wohin die Reise geht: 2025 lag der Fokus auf dem RISC‑V‑Vektor‑Execution‑Engine, 2026 folgt die Matrix‑Execution‑Unit, um komplette NPUs zu bauen. Erste kommerzielle Partner wie Synaptics integrieren Coral NPU bereits in ihre SoCs.
Die Verbindung zum ursprünglichen Coral Dev Board
Besteht Kompatibilität? Google gibt Entwarnung: „Modelle, die für den ursprünglichen Edge TPU entwickelt wurden, laufen auf Coral‑NPU‑basierter Hardware entweder unverändert oder mit minimaler Konvertierung.“ Die geschätzten sechs Jahre Entwicklungsarbeit der Edge‑TPU‑Compiler fließen also direkt in die neue Plattform ein.
Was bedeutet das für den Besitzer eines Coral Dev Boards? Kein direkter Upgrade‑Pfad – die neue Architektur erfordert neue Hardware. Aber das Wissen und die Modelle bleiben nutzbar. Und die Open‑Source‑Strategie könnte das Edge‑AI‑Ökosystem endlich aus der proprietären Zersplitterung befreien.
Das Erbe: Eine Tech‑Archäologie des maschinellen Lernens am Edge
Das Coral Dev Board war seiner Zeit voraus. Es kombinierte als erstes Mainstream‑Produkt einen leistungsfähigen KI‑Beschleuniger mit einem vollwertigen Linux‑Rechner – und das in einem Format, das Entwickler lieben. Die modulare SoM‑Architektur war visionär, die Performance pro Watt beeindruckend.
Doch Google blieb seiner unseligen Tradition treu: Ein vielversprechendes Produkt, das nach einigen Jahren im Support versandet. Die letzte Mendel‑Aktualisierung von 2021 ist ein Armutszeugnis. In der schnellen Welt des maschinellen Lernens sind sechs Jahre ohne Sicherheitsupdates eine Ewigkeit.
Dennoch: Wer heute zum Schrauben greift, ein abgeschirmtes Prototyping‑Projekt realisieren oder einfach lernen möchte, wie Edge‑AI funktioniert, findet im Coral Dev Board nach wie vor einen faszinierenden Begleiter. Es ist eine Tech‑Archäologie, die zeigt, wie Hardware‑Beschleuniger für maschinelles Lernen aussahen, bevor sie zum Mainstream wurden.
Und vielleicht – nur vielleicht – wird Coral NPU das Versprechen einlösen, das 2019 mit dem kleinen blauen Board begann: eine offene, effiziente und zugängliche Plattform für künstliche Intelligenz direkt am Ort des Geschehens, ohne Umweg über die Cloud.
Bis dahin bleibt das Coral Dev Board eine Erinnerung an eine Zeit, in der Google noch experimentierte, Bastler begeisterte und zeigte, was möglich ist – bevor der Konzern wieder einmal das Interesse verlor.
Quellen
- Allan, Alasdair: Benchmarking ML on the Edge. GitHub, 2025. https://github.com/aallan/benchmarking-ml-on-the-edge
- Bonaiuto, Vincenzo et al.: Benchmarking of Dual-Step Neural Networks for Detection of Dangerous Weapons on Edge Devices. Università Politecnica delle Marche, 2025. https://iris.univpm.it/handle/11566/316308
- Coral / Google for Developers: Datasheet – Coral Dev Board. https://developers.google.com/coral/products/SL2610-dev-board
- Coral / Google for Developers: Frequently Asked Questions (Coral NPU). https://developers.google.com/coral/guides/faq
- Coral / Google for Developers: Platform Roadmap. https://developers.google.com/coral/guides/roadmap
- Coral / Google for Developers: Technology. https://www.coral.withgoogle.com/technology
- Coral / Google for Developers: What is Mendel Linux?. https://coral.googlesource.com/docs/
- Coral GoogleSource: Mendel Linux Documentation. https://coral.googlesource.com/docs
- ElectroMaker: Maker Board Monday: Google Coral Dev Board. https://www.electromaker.io/blog/article/coral-dev-board-specs-and-more
- Google Developers Blog: Introducing Coral NPU: A full-stack platform for Edge AI. 15. Oktober 2025. https://developers.googleblog.com/en/introducing-coral-npu-a-full-stack-platform-for-edge-ai
- Kurniawan, Arief et al.: Performance Comparison of Edge Devices for Deep Learning-Based Object Detection and Classification. 26th International Seminar on Intelligent Technology and Its Applications (ISITIA 2025), Surabaya, 2025.
- NXP Semiconductors: i.MX 8M Family – Product Details. https://www.nxp.com/products/i.MX8M
- pi3g.com: Coral Dev Board Mini – Technische Daten. https://pi3g.com/de/products/machine-learning/google-coral/coral-dev-board-mini
- Syllepsis: Using the Coral Dev Board in 2025. https://syllepsis.live/2025/01/14/using-the-coral-dev-board-in-2025
Kommentar abschicken