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分類: ARM Cortex-M
On-Device AI應用於ARM Cortex-M系列MCU
簡介：TinyML: Machine Learning with TensorFlow Lite on Arduino and Ultra-Low-Power Microcontrollers中文翻譯版
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 moreLinkit 7697上執行TensorFlow Lite for Microcontrollers的Hello World example
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 moreEdge Impulse解決方案之Recognize sounds from audio教學實作
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 moreEdge Impulse解決方案之Continuous motion recognition教學實作
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 moreEdge Impulse解決方案之軟硬體環境設置
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 moreTensorFlow Lite for Microcontrollers的Micro speech example實作
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 moreTensorFlow Lite for Microcontrollers的Person detection example實作
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 moreTensorFlow Lite for Microcontrollers的Magic wand example實作
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