完善资料让更多小伙伴认识你,还能领取20积分哦, 立即完善>
1、TinyML简介TinyML是指在边缘设备上运行的机器学习模型,通常是在资源受限的嵌入式系统上运行的轻量级模型。这些设备可以是智能手机、传感器、微控制器或其他嵌入式设备。TinyML的目标是在这些设备上实现低功耗、低延迟和隐私保护的机器学习应用。 TinyML的发展受益于多个技术进步,包括模型压缩、量化、剪枝和量化训练等技术。这些技术允许将大型的深度学习模型压缩到足够小的尺寸,以适应嵌入式设备的资源限制。此外,TinyML还依赖于优化的推理引擎和针对嵌入式设备的硬件加速器,以实现高效的模型推理。 TinyML的应用领域非常广泛,包括智能传感器、健康监测、物联网、智能音频处理、自动驾驶、智能家居等。通过在边缘设备上运行机器学习模型,可以实现实时的数据分析和决策,同时减少对云端计算资源的依赖,从而提高隐私保护和降低通信成本。 总的来说,TinyML代表了一种趋势,即将机器学习能力推送到边缘设备,从而实现更加智能化和高效的嵌入式系统。 2、测试2.1 实验平台 RT-Thread:https://www.rt-thread.org/ TinyMaix: https://en.wiki.sipeed.com/news/others/tinymaix_cnx/tinymaix_cnx.html 2.2 步骤 首先,基于开发板建立一个项目。 寻找现在软件包 软件包在嵌入式AI中 本次实验使用是TinyMaix包,已经被大神在RTT中配置好。 需要进行配置,主要是进行例程配置 等待例程配置完成 然后,编译、下载、打开命令台 输入help查看例程(VWW例程没有跑通) 运行结果 3、测试结果分析Total param ~1.9 KB表示该模型的参数总量约为1.9 KB,这是一个非常小的模型,适合在资源受限的嵌入式设备上运行。OPS ~0.02 MOPS表示该模型的计算量约为0.02 MOPS(百万次操作每秒),这是一个非常低的计算量。buffer 1.4 KB表示该模型需要的缓冲区大小为1.4 KB,也是一个非常小的缓冲区。 最后的tm_run use 0.003 ms表示该模型的推理时间为0.003毫秒,这意味着该模型在嵌入式设备上可以实现非常快速的推理,非常适合实时应用。 |
|
相关推荐
|
|
只有小组成员才能发言,加入小组>>
322个成员聚集在这个小组
加入小组677 浏览 2 评论
5361之PWM之CMP更新慢至1秒,请各位有经验的高手帮忙!
873 浏览 1 评论
【先楫HPM5361EVK开发板试用体验】(原创)6.手把手实战红外线传感器源代码
6940 浏览 0 评论
1929 浏览 1 评论
【先楫HPM5361EVK开发板试用体验】(原创)5.手把手实战AI机械臂
2743 浏览 0 评论
【盖楼抢好礼】欢迎先楫半导体HPMicro入驻电子发烧友社区!
16428浏览 530评论
USBX范例中启用 double FPU , 运行异常,卡死在tx_risc_v_trap_handler函数
2158浏览 5评论
1094浏览 5评论
请问Segger Embedded Studio这个窗口不小心拉出来悬浮后怎么塞回去?
1905浏览 5评论
1036浏览 4评论
小黑屋| 手机版| Archiver| 电子发烧友 ( 湘ICP备2023018690号 )
GMT+8, 2024-6-18 20:25 , Processed in 0.668574 second(s), Total 76, Slave 58 queries .
Powered by 电子发烧友网
© 2015 bbs.elecfans.com
关注我们的微信
下载发烧友APP
电子发烧友观察
版权所有 © 湖南华秋数字科技有限公司
电子发烧友 (电路图) 湘公网安备 43011202000918 号 电信与信息服务业务经营许可证:合字B2-20210191