Deploying AI on Microcontrollers with TinyML

• 嵌入式系统编程经验
• 熟悉C/C++或C/Python编程
• 对机器学习概念有基本了解
• 了解微控制器硬件及外围设备

受众

• 嵌入式系统工程师
• 人工智慧开发人员

TinyML使AI模型能够在微控制器和边缘设备上高效运行，并具有低功耗。

这门由讲师主导的现场培训（在线或现场）旨在对希望使用TensorFlow Lite和Edge Impulse在微控制器上部署机器学习模型的中级嵌入式系统工程师和AI开发人员。

完成本次培训后，参与者将能够：

• 了解TinyML的基本原理及其对边缘AI应用程序的好处。
• 为TinyML项目设置开发环境。
• 在低功耗微控制器上训练、优化和部署AI模型。
• 使用TensorFlow Lite和Edge Impulse实现实际的TinyML应用程序。
• 对AI模型进行功耗效率和内存限制的优化。

课程格式

• 互动讲座和讨论。
• 很多练习和实践。
• 在实时实验室环境中进行动手实施。

课程定制选项

• 要要求这门课的定制培训，请联系我们安排。

介绍TinyML和Edge AI

• 什么是TinyML？
• 微控制器上AI的优势和挑战
• TensorFlow Lite和Edge Impulse的TinyML工具概述
• 在物联网和现实世界应用中对TinyML的用例

设置TinyML开发环境

• 安装和配置Arduino IDE
• 微控制器的TensorFlow Lite简介
• 使用Edge Impulse Studio进行TinyML开发
• 连接和测试AI应用的微控制器

构建和训练Machine Learning模型

• 了解TinyML工作流程
• 收集和预处理传感器数据
• 嵌入式AI的机器学习模型训练
• 针对低功耗和实时处理优化模型

在Microcontroller上部署AI模型

• 将AI模型转换为TensorFlow Lite格式
• 在微控制器上闪存和运行模型
• 验证和调试TinyML实现

优化TinyML以提高性能和效率

• 模型量化和压缩的技术
• 边缘AI的电源管理策略
• 嵌入式AI中的内存和计算约束

TinyML的实际应用

• 使用加速度计数据进行手势识别
• 音频分类和关键字检测
• 用于预测性维护的异常检测

TinyML中的安全性和未来趋势

• 确保TinyML应用中的数据隐私和安全
• 微控制器上联邦学习的挑战
• TinyML中出现的新兴研究和进展

总结和结论