McuML專案簡介
McuML專案為「Windows上的微控制器機器學習之開發環境」,延續在tinyML Summit 2020上所展示的OpenM1專案,依現時發展潮流將所有程序整合於JupyterLab上:
» Read more智慧終端,AI應用的最後一哩路
On-Device AI應用於ARM Cortex-M系列MCU
McuML專案為「Windows上的微控制器機器學習之開發環境」,延續在tinyML Summit 2020上所展示的OpenM1專案,依現時發展潮流將所有程序整合於JupyterLab上:
» Read more中文版為:TinyML|TensorFlow Lite 機器學習 : 應用 Arduino 與低耗電微控制器 ( http://books.gotop.com.tw/v_A649 ):
» Read more延續前面文章,在tinyML Summit 2020上有做了TensorFlow Lite for Microcontrollers方面的展示,其中一項是在Linkit 7697開發板上執行”Hello World”範例。除了原先範例的輸出方式(PWM控制LED亮度)外,還另外增加OLED 模組同時顯示推論結果(正弦曲線)以用於展示:
» Read more接續前面文章,接下來進行Recognize sounds from audio教學實作,請同時參閱官方教學文章。本文為了方便說明,就直接使用Running faucet預建資料集,若想自行製作資料集就請參考官方教學文章之說明。首先,下載資料集並解壓縮,使用以下命令將資料集上傳至Edge Impulse平台:
» Read more接續前面文章,接下來進行Continuous motion recognition教學實作,過程中請同步閱讀官方教學文章。本文為了方便說明,就直接使用Prebuilt dataset : Continuous gestures資料集,若想自行製作資料集請參考官方教學文章之說明。首先,下載資料集並解壓縮,在Node.js command prompt中使用以下命令將資料集上傳至Edge Impulse平台:
» Read more本次在tinyML Summit 2020會場,有遇到新創企業的Edge Impulse的CEO,談到其平台已經開放,希望我這邊使用並做反饋。因此以官方說明文件做為基礎,接下來會有一系列文章分享該解決方案之使用心得。本文是系列的第一篇,說明環境設置部份;開發主機使用Windows 10作業系統,用到的是B-L475E-IOT01A開發板,此開發板可由天瓏書局處購得。第一步,到此申請帳號密碼,才能使用該解決方案。接著,在Windows上下載與安裝Python 2.7(python-2.7.17.amd64.msi),下載與安裝Node.js v12(node-v12.16.1-x64.msi),以及下載與安裝ST Link驅動程式:
» Read more接續前面文章與環境設定,進行TensorFlow Lite for Microcontrollers的Micro speech example實作。這個實作對應SparkFun Edge、STM32F7 discovery kit與Arduino Nano 33 BLE Sense三塊開發板,SparkFun Edge與STM32F7 discovery kit開發板的實作環境在Ubuntu 16.04 64bits Linux,Arduino Nano 33 BLE Sense開發板的實作環境在Windows 7 64bits上。另外,請參照閱讀TinyML: Machine Learning with TensorFlow Lite on Arduino and Ultra-Low-Power Microcontrollers一書的第7章與第8章,以瞭解程式碼的細節與範例運作方式。首先,進行SparkFun Edge開發板的實作;在tensorflow原始碼的目錄下,先進入SparkFun編譯的Python虛擬環境:
» Read more接續前面文章與環境設定,進行TensorFlow Lite for Microcontrollers的Person detection example實作。這個實作只對應SparkFun Edge與Arduino Nano 33 BLE Sense兩塊開發板,SparkFun Edge開發板的實作環境在Ubuntu 16.04 64bits Linux,Arduino Nano 33 BLE Sense開發板的實作環境在Windows 7 64bits上。另外,請參照閱讀TinyML: Machine Learning with TensorFlow Lite on Arduino and Ultra-Low-Power Microcontrollers一書的第9章與第10章,以瞭解程式碼的細節與範例運作方式。首先,進行SparkFun Edge開發板的實作;在tensorflow原始碼的目錄下,先進入SparkFun編譯的Python虛擬環境:
» Read more接續前面文章與環境設定,進行TensorFlow Lite for Microcontrollers的Magic wand example實作。這個實作只對應SparkFun Edge與Arduino Nano 33 BLE Sense兩塊開發板,SparkFun Edge開發板的實作環境在Ubuntu 16.04 64bits Linux,Arduino Nano 33 BLE Sense開發板的實作環境在Windows 7 64bits上。另外,請參照閱讀TinyML: Machine Learning with TensorFlow Lite on Arduino and Ultra-Low-Power Microcontrollers一書的第11章與第12章,以瞭解程式碼的細節。首先,進行SparkFun Edge開發板的實作;在tensorflow原始碼的目錄下,先進入SparkFun編譯的Python虛擬環境:
» Read more