Deploying AI on Microcontrollers with TinyML

• 嵌入式系統編程經驗
• 熟悉C/C++或C/Python編程
• 對機器學習概念有基本了解
• 了解微控制器硬件及外圍設備

受眾

• 嵌入式系統工程師
• 人工智慧開發人員

TinyML使AI模型能夠在微控制器和邊緣設備上高效運行，並具有低功耗。

這門由講師主導的現場培訓（在線或現場）旨在對希望使用TensorFlow Lite和Edge Impulse在微控制器上部署機器學習模型的中級嵌入式系統工程師和AI開發人員。

完成本次培訓後，參與者將能夠：

• 了解TinyML的基本原理及其對邊緣AI應用程序的好處。
• 為TinyML項目設置開發環境。
• 在低功耗微控制器上訓練、優化和部署AI模型。
• 使用TensorFlow Lite和Edge Impulse實現實際的TinyML應用程序。
• 對AI模型進行功耗效率和內存限制的優化。

課程格式

• 互動講座和討論。
• 很多練習和實踐。
• 在實時實驗室環境中進行動手實施。

課程定制選項

• 要要求這門課的定制培訓，請聯繫我們安排。

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