人工智能（AI）和機器學習（ML）技術(shù)不僅正在快速發(fā)展，還逐漸被創(chuàng)新性地應(yīng)用于低功耗的微控制器（MCU）中，從而實現(xiàn)邊緣AI/ML解決方案。這些MCU是許多嵌入式系統(tǒng)不可或缺的一部分，憑借其成本效益、高能效以及可靠的性能，現(xiàn)在能夠支持AI/ML應(yīng)用。這種集成化在可穿戴電子產(chǎn)品、智能家居設(shè)備和工業(yè)自動化等應(yīng)用領(lǐng)域中，從AI/ML功能中獲得的效益尤為顯著。具備AI優(yōu)化功能的MCU和TinyML的興起（專注于在小型、低功耗設(shè)備上運行ML模型），體現(xiàn)了這一領(lǐng)域的進步。TinyML對于直接在設(shè)備上實現(xiàn)智能決策、促進實時處理和減少延遲至關(guān)重要，特別是在連接有限或無連接的環(huán)境中。

　　TinyML是指在小型、低功耗設(shè)備上應(yīng)用機器學習模型，尤其是在微控制器（MCU）平臺上，這些MCU經(jīng)過優(yōu)化，可以在設(shè)備有限的資源體系內(nèi)運行。這使得邊緣設(shè)備能夠?qū)崿F(xiàn)智能決策，支持實時處理并減少延遲。量化（Quantization）和剪枝（Pruning）等技術(shù)用于減小模型大小并提高推理速度。量化通過降低模型權(quán)重的精度，顯著減少內(nèi)存使用而幾乎不影響準確性；剪枝則通過去除不太重要的神經(jīng)元，進一步減小模型規(guī)模并提升延遲性能。這些方法對于在資源有限的設(shè)備上部署ML模型至關(guān)重要。

　　PyTorch和TensorFlow Lite都是實現(xiàn)機器學習模型的主流框架。PyTorch是一個開源機器學習庫，被廣泛用于人工智能應(yīng)用的開發(fā)，包括可以部署在微控制器上的應(yīng)用程序。PyTorch提供了用于機器學習的工具和庫，包括計算機視覺和自然語言處理，可用于低功耗和小尺寸設(shè)備。

　　TensorFlow Lite for Microcontroller（TFLM）能夠在非常受限的MCU類設(shè)備上運行具有Flatbuffer轉(zhuǎn)換功能的TF Lite模型。這減少了模型的大小，并優(yōu)化了它在MCU上的推理。

　　另一個重要的工具是來自ARM的CMSIS-NN庫，它為Cortex-M處理器提供了優(yōu)化的神經(jīng)網(wǎng)絡(luò)內(nèi)核來運行TFLM模型。CMSIS-NN庫提高了性能并減少了內(nèi)存占用，使其更容易在基于ARM的MCU上運行ML模型。

　　此外，一些MCU還配備了專用的AI/ML硬件加速器，如Silicon Labs（芯科科技）的EFM32無線SoC和MCU，可以顯著提高ML模型的性能，使更復(fù)雜的應(yīng)用程序能夠在這些設(shè)備上更快、更高效地運行。人工智能加速器擅長并行化任務(wù)，如矩陣乘法、卷積和圖形處理。通過利用多樣化的并行性，它們可以一次執(zhí)行大量的計算。這使得人工智能工作負載的速度大大提高，同時保持低功耗。這些加速器還增強了內(nèi)存訪問模式，減少了數(shù)據(jù)傳輸開銷，主CPU—CortexM可以進入低功耗睡眠模式，以節(jié)省更多的能量或管理額外的任務(wù)。通過使數(shù)據(jù)更接近計算單元，它們減少了等待時間。其結(jié)果是增強了性能、降低了功耗和延遲。

　　實際應(yīng)用

　　TinyML的實際應(yīng)用是多種多樣且有影響力的。一個值得注意的示例是音頻和視覺喚醒詞，當說出特定的關(guān)鍵字或在圖像中檢測到某人時，設(shè)備會觸發(fā)動作。這項技術(shù)被用于智能揚聲器和安全攝像頭，支持它們在識別到喚醒詞或檢測運動時激活。另一種應(yīng)用是工業(yè)環(huán)境中的預(yù)測性維護。工廠設(shè)備上的傳感器持續(xù)監(jiān)測振動和溫度等參數(shù)，可使用TinyML模型檢測來異常并在故障發(fā)生之前預(yù)測維護需求，這有助于減少停機時間和維護成本。

　　手勢和活動識別是TinyML的另一種令人興奮的應(yīng)用。配備加速度計和陀螺儀的可穿戴設(shè)備可以監(jiān)測身體活動，如走路、跑步或特定手勢。這些設(shè)備使用TinyML模型實時分析傳感器數(shù)據(jù)，為健身追蹤或醫(yī)療診斷提供有價值的見解。在農(nóng)業(yè)領(lǐng)域，TinyML被用于環(huán)境監(jiān)測。智能農(nóng)業(yè)系統(tǒng)分析土壤濕度和天氣條件，以優(yōu)化灌溉，提高作物產(chǎn)量和資源效率。

　　TinyML還增強了健康監(jiān)測功能。諸如連續(xù)血糖監(jiān)測儀（CGM）這樣需要長時間電池壽命和實時數(shù)據(jù)處理的設(shè)備，都能夠極大地受益于這項技術(shù)。此外，智能床傳感器可以在沒有直接接觸的情況下評估病人的呼吸模式，為遠程觀察提供不間斷的健康數(shù)據(jù)。這一創(chuàng)新在管理老年人護理和慢性疾病方面特別有價值，因為持續(xù)監(jiān)測有助于及早發(fā)現(xiàn)潛在的健康問題。

　　啟動開發(fā)

　　要開始構(gòu)建自己的TinyML應(yīng)用，您需要了解TinyML的基礎(chǔ)知識并選擇合適的硬件。根據(jù)您的應(yīng)用，您可能需要傳感器來收集數(shù)據(jù)，例如加速度計、麥克風或攝像頭。設(shè)置開發(fā)環(huán)境包括安裝Simplicity Studio集成開發(fā)環(huán)境（IDE）、SDK和TinyML所需的資源庫。

　　下一步是收集和準備與應(yīng)用相關(guān)的數(shù)據(jù)。例如，如果您正在構(gòu)建一個手勢識別系統(tǒng)，您需要收集不同手勢的加速度計數(shù)據(jù)。收集數(shù)據(jù)后，您需要對其進行預(yù)處理，使其適合訓練您的模型。訓練模型需要在功能強大的機器上使用高級框架，如TensorFlow或PyTorch。一旦訓練完畢，模型需要使用量化和剪枝等技術(shù)進行優(yōu)化。

　　在完成優(yōu)化后，即可將模型轉(zhuǎn)換為適合MCU的格式，如TensorFlow Lite格式。最后一步是將優(yōu)化后的模型部署到MCU，將其與應(yīng)用程序代碼集成，并對其進行全面測試，以確保其滿足性能和精度要求。基于實際性能的不斷迭代和改進對于完善TinyML應(yīng)用至關(guān)重要。

　　利用芯科科技的解決方案在微控制器上實現(xiàn)人工智能和機器學習

　　芯科科技提供了一系列解決方案，有助于在MCU上實現(xiàn)AI/ML。EFR32/EFM32（xG24、xG26、xG28）和SiWx917系列微控制器由于其低功耗和強大的性能而非常適合TinyML應(yīng)用。以下是在芯科科技MCU上實現(xiàn)AI/ML的詳細技術(shù)指南：

　　數(shù)據(jù)采集與預(yù)處理

　　數(shù)據(jù)采集：使用連接到MCU的傳感器采集原始數(shù)據(jù)，例如加速度計、陀螺儀和溫度傳感器等傳感器都可用于各種應(yīng)用。

　　預(yù)處理：對數(shù)據(jù)進行清理和預(yù)處理，使其適合訓練。這可能包括過濾噪聲、對數(shù)值進行歸一化處理以及將數(shù)據(jù)分割到窗口中。為此，芯科科技提供了數(shù)據(jù)采集和預(yù)處理工具。

　　數(shù)據(jù)采集工具則由合作伙伴SensiML提供：https://github.com/sensiml/sensiml_xG24_dual_audio_imu_capture

　　模型訓練

　　模型選擇：根據(jù)應(yīng)用選擇合適的ML模型。常用的模型包括決策樹（decision tree）和支持向量機（vector machine）。

　　訓練：在高性能云服務(wù)器或帶有GPU的本地PC上使用TensorFlow訓練模型。這包括將預(yù)處理數(shù)據(jù)輸入模型并調(diào)整參數(shù)以最小化誤差。

　　模型轉(zhuǎn)換：使用TensorFlow Lite轉(zhuǎn)換器將訓練模型轉(zhuǎn)換為與TF Lite Micro兼容的格式。TensorFlow Lite for Microcontrollers （TFLM）中的FlatBuffer轉(zhuǎn)換包括將TensorFlow Lite模型轉(zhuǎn)換為FlatBuffer格式，這是一種緊湊的二進制格式，可以高效地存儲和快速地訪問。這個過程對于在內(nèi)存和處理能力有限的微控制器上運行機器學習模型至關(guān)重要。FlatBuffers支持直接訪問模型而無需解壓。一旦采用FlatBuffer格式，該模型可以由微控制器執(zhí)行，使其能夠執(zhí)行推理任務(wù)。這種轉(zhuǎn)換減小了模型大小，使其適用于內(nèi)存非常有限的設(shè)備，并且可以快速訪問和執(zhí)行模型，而無需進行大量解析。此外，它還確保該模型可以在運行速率低于1GHz、代碼空間有限（通常低于3MB）、SRAM有限（約256KB）的MCU上被無縫集成和執(zhí)行。

　　模型部署

　　與Simplicity SDK集成：使用芯科科技的Simplicity SDK將TF Lite Micro與MCU集成。

　　閃存模型（Flashing the Model）：將轉(zhuǎn)換后的模型移植到MCU的Flash上。這可以使用Simplicity Studio完成，它為芯科科技MCU的編程提供了一個用戶友好的界面。

　　推理和優(yōu)化：應(yīng)用量化和剪枝等優(yōu)化技術(shù)，以減小模型大小并提高性能。

　　運行推理：一旦模型部署完成，它可以在MCU上運行推理。這包括向模型中輸入新數(shù)據(jù)并獲得預(yù)測結(jié)果。

　　軟件工具鏈：新的軟件工具包旨在支持開發(fā)人員使用一些最流行的工具套件（如TinyML和TensorFlow）快速構(gòu)建和部署人工智能和機器學習算法。AI/ML軟件幫助設(shè)計人員創(chuàng)建新的應(yīng)用程序。除了原生支持TensorFlow來為高效推理提供優(yōu)化內(nèi)核之外，芯科科技還與一些領(lǐng)先的AI/ML工具提供商（如SensiML和Edge Impulse）合作，以確保開發(fā)人員擁有端到端的工具鏈來簡化機器學習模型的開發(fā)，這些模型針對無線應(yīng)用的嵌入式部署進行了優(yōu)化。通過將這一全新的AI/ML工具鏈與芯科科技的Simplicity Studio開發(fā)平臺以及xG24、xG28和xG26系列SoC結(jié)合使用，開發(fā)人員可以創(chuàng)建能夠從各種互聯(lián)設(shè)備獲取信息的應(yīng)用，這些設(shè)備都可以相互通信，從而做出智能的、由機器學習驅(qū)動的決策。

　　芯科科技提供各種工具和資源來支持ML應(yīng)用。以下是其中一些例子：

　　機器學習應(yīng)用：芯科科技提供集成化的硬件、軟件和開發(fā)工具，幫助客戶快速創(chuàng)建適用于工業(yè)和商業(yè)應(yīng)用場景的、安全的智能設(shè)備。開發(fā)平臺支持嵌入式機器學習（TinyML）模型推理，由Tensorflow Lite for Microcontrollers（TFLM）框架支持。該存儲庫包含一組利用ML的嵌入式應(yīng)用程序：https://github.com/SiliconLabs/machine_learning_applications

　　機器學習工具包（MLTK）：這是一個帶有命令行實用程序和腳本的Python軟件包，可支持基于芯科科技的嵌入式平臺開發(fā)的機器學習模型。它包括從命令行界面或Python腳本執(zhí)行ML操作的各項功能，并可確定ML模型在嵌入式平臺上的執(zhí)行效率，以及使用谷歌Tensorflow訓練ML模型。

　　參考數(shù)據(jù)集：MLTK附帶參考模型使用的數(shù)據(jù)集。這些數(shù)據(jù)集可以在Github上找到：

　　https://github.com/SiliconLabs/mltk/blob/master/docs/python_api/datasets/index.md

　　音頻特征生成器（Audio Feature Generator）：芯科科技提供了與TensorFlow Lite模型一起使用的音頻特征生成器。它根據(jù)sl_ml_audio_feature_generation_config.h中的配置去進行前端的初始化來生成功能，并以流模式來初始化和啟動麥克風。https://docs.silabs.com/machine-learning/latest/machine-learning-tensorflow-lite-api/ml-audio-feature-generation

　　MLPerf Tiny Benchmark：MLPerf Tiny Benchmark是由一家開放工程聯(lián)盟MLCommons設(shè)計的性能評估套件。它旨在衡量ML系統(tǒng)在推理方面的性能和能效，將訓練好的ML模型應(yīng)用于新數(shù)據(jù)。該基準是專門為低功耗的最小設(shè)備量身定制的，通常用于深度嵌入式應(yīng)用，如物聯(lián)網(wǎng)（IoT）或智能傳感。

　　芯科科技參與了MLPerf Tiny基準測試，提交了展示機器學習工具包（MLTK）功能的解決方案。該工具包包括TinyML基準測試使用的幾個模型，可在GitHub上獲得，涵蓋異常檢測、圖像分類、關(guān)鍵字識別和視覺喚醒詞等應(yīng)用程序。

　　與以前的版本相比，使用MLPerf Tiny v1.0的結(jié)果顯示出了推理速度提高，以及代碼規(guī)模和內(nèi)存使用量的減少。例如，Plumerai的推理引擎表現(xiàn)出了顯著的增強，包括支持時間序列神經(jīng)網(wǎng)絡(luò)，如基于LSTM的循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN），這在運動傳感器、健康傳感器、語音和音頻應(yīng)用中很常見。

　　AI/ML合作伙伴

　　芯科科技與業(yè)界領(lǐng)先的供應(yīng)商合作，包括Edge Impulse、SensiML、NeutonAI和Eta Compute等AutoML工具鏈和SaaS云伙伴建立了合作關(guān)系。此外，諸如Sensory和MicroAI等解決方案提供商，以及包括Capgemini和Jabil在內(nèi)的設(shè)計合作伙伴都是該網(wǎng)絡(luò)的一部分。這些聯(lián)盟提供了可簡化綜合解決方案開發(fā)的平臺，使初學者更容易接觸到邊緣的AI/ML。

　　TinyML在MCU上的優(yōu)勢：

　　·成本低－MCU價格合理

　　·綠色環(huán)保－能耗低

　　·易于集成－可輕松將MCU集成到現(xiàn)有環(huán)境中

　　·隱私與安全－在本地處理數(shù)據(jù)，無需聯(lián)網(wǎng)傳輸

　　·快速原型開發(fā)－快速開發(fā)概念驗證解決方案

　　·自主可靠－微型設(shè)備在任何環(huán)境下都能穩(wěn)定運行

　　·實時處理－將延遲降至最低

　　嵌入式開發(fā)應(yīng)用流程

　　開發(fā)具有機器學習功能的應(yīng)用需要兩個不同的工作流程：

　　·使用Simplicity Studio來創(chuàng)建無線應(yīng)用的嵌入式應(yīng)用開發(fā)工作流程。

　　·創(chuàng)建將添加到嵌入式應(yīng)用的機器學習功能的機器學習工作流程。

　　目標應(yīng)用

　　運動檢測：在商業(yè)辦公大樓里，許多燈都是由運動探測器控制的，該探測器監(jiān)測占用情況，以確定燈是否應(yīng)該打開或關(guān)閉。然而，當員工在辦公桌前打字時，由于動作僅限于手和手指，因為運動傳感器本身無法識別他們的存在，所以可能會出現(xiàn)自動關(guān)燈而無法為員工可提供照明。通過將音頻傳感器與運動探測器連接起來，額外的音頻數(shù)據(jù)（如打字的聲音）可以通過機器學習算法進行處理，從而使照明系統(tǒng)能夠更明智地決定燈是應(yīng)該打開還是關(guān)閉。

　　預(yù)測性維護：可使用芯科科技的EFR32 MCU來開發(fā)一個預(yù)測性維護系統(tǒng)。這需要使用連接的傳感器來收集機器的振動和溫度數(shù)據(jù)，同時訓練一個模型來根據(jù)這些數(shù)據(jù)預(yù)測潛在的故障，然后將該模型部署在MCU上，實現(xiàn)對機器的實時監(jiān)控和維護計劃。

　　健康監(jiān)測：使用EFM32 MCU構(gòu)建可穿戴健康監(jiān)測設(shè)備。使用傳感器收集心率和體溫等生命體征的數(shù)據(jù)。訓練一個模型來檢測數(shù)據(jù)中的異常。在MCU上部署該模型，幫助用戶對健康情況提供實時分析了解。

　　智能農(nóng)業(yè)：使用芯科科技的MCU開發(fā)智能灌溉系統(tǒng)。使用連接的傳感器收集土壤濕度和天氣數(shù)據(jù)。訓練一個模型，以便根據(jù)這些數(shù)據(jù)來優(yōu)化水的使用。將該模型部署在MCU上，控制灌溉系統(tǒng)，提高作物產(chǎn)量。

　　結(jié)論

　　MCU不再局限于簡單任務(wù)，而是正成為實現(xiàn)AI的強大平臺。通過探索面向AI優(yōu)化的MCU，我們可以為電池供電的智能設(shè)備開辟新的潛在應(yīng)用。無論是智能家居設(shè)備還是工業(yè)傳感器，AI驅(qū)動的MCU正在重塑嵌入式系統(tǒng)的未來。

更多精彩內(nèi)容歡迎點擊==>>電子技術(shù)應(yīng)用-AET<<