差别

这里会显示出您选择的修订版和当前版本之间的差别。

--- tinyml [2022/03/01 15:31]
gongyusu
+++ tinyml [2022/03/22 18:24] (当前版本)
gongyusu
@@ 行 1: / 行 1: @@
 ## TinyML对RP2040的支持
+微型机器学习Tiny Machine Learning (TinyML) 是机器学习的一个研究领域，专注于在超低功耗的微控制器设备上开发和部署机器学习模型。TinyML使机器学习可以在在安全、低延迟、低功耗和低带宽的边缘设备上运行。正如哈佛大学博士Matthew Stewart所说，tinyML 是一个新兴的学科，它能够在资源受限的微控制器上实现低资源消耗、低功耗的机器学习算法。
+TinyML 重要性
+为什么 TinyML 如此重要？一个重要的原因是它很小！
+TinyML涉及的微控制器体积小且能效高，电池一次就能供电数年。同时这些微控制器比尺寸大的计算机和服务器更加实惠，低成本优势十分适合个人和小型企业进行部署应用。
+因此，低能耗高效能以及低成本的独特组合也意味着 TinyML非常适合嵌入式计算应用程序中的大规模应用，让人工智能变得随处可见成为了可能。
+“AI让边缘更智能，边缘让AI无处不在“。边缘AI能够在硬件设备上进行本地处理的AI算法，可以在没有网络连接的情况下处理数据。
+TinyML 是边缘人工智能的一个子集，它具有边缘计算的诸多优势：
+  * 可进行实时本地计算，降低延迟
+  * 降低远程通信要求，降低带宽成本
+  * 卓越的可靠性，即使在网络连接中断时也能持续
+  * 通过更少的传输和本地数据存储提高安全性
+### TinyML 软件 – 框架和平台
+虽然 TinyML 的专用硬件正迎头赶上，但目前大多数实施都严重依赖软件来优化机器学习模型。以下是一些软件框架和平台：
+#### 1. TensorFlow Lite Micro
+TensorFlow是谷歌的开源机器学习框架，能够帮助用户快速搭建低功耗、微小的硬件环境进行深度学习运算。TensorFlow Lite Micro 是 TensorFlow Lite 针对 AIOT 的轻量级 AI 引擎，用于在微控制器和其他资源受限的设备上运行机器学习模型。端云链接从 TencentOS Tiny 开始。
+TFLite Micro 允许您轻松地将常规 TensorFlow 模型压缩到仅几 KB，并附带大量示例模型，例如Hello World或Magic Wand，以展示各种 TinyML 基础知识和功能。
+#### 2. Edge Impulse
+Edge Impulse是一个专门针对 TinyML 应用程序开发的平台。凭借易于使用的基于Web的界面，Edge Impulse可以说是任何人收集数据、训练模型并最终将其部署到微控制器上的最简单的解决方案。最重要的是，它对开发人员免费。
+使用Edge Impulse开发TinyML还允许您利用他们的边缘优化神经 (EON) 编译器，与用于微控制器的 TFLite 相比，它可以运行内存减少 25-55% 和存储空间减少 35% 的神经网络——这是需要考虑的重要一点！
+与 TFLite Micro 一样，Edge Impulse 支持大量微控制器和开发板，还包括 Arduino Nano 33 BLE Sense 和 Wio Terminal。支持的设备可以在几分钟内轻松记录和上传数据集。
+#### 3. OpenMV
+OpenMV是另一个 TinyML 开发平台，主要专注于计算机视觉应用。这包括应用于任何类型的图像或视频的机器学习，如对象识别或图像分类。该平台围绕 OpenMV Cam H7 构建，这是一个在 ARM Cortex M7 处理器上运行的微控制器板，并且是 Micropython 可编程的。
+此外，OpenMV 提供了一个跨平台的 IDE，它具有强大的代码编辑器、调试终端和带有直方图显示的帧缓冲查看器——所有这些都是在 TinyML 中开发计算机视觉应用程序的关键组件！
 TinyML - 微型机器学习被广泛定义为机器学习技术和应用的一个快速发展的领域，包括硬件、算法和软件，能够在极低功耗下(通常在mW范围或以下)执行设备上的传感器数据分析，因此，可以实现各种始终在线的用例，并针对电池驱动的设备。