人工智能（AI）和機器學習（ML）技術不僅正在快速發展，還逐漸被創新性地應用於低功耗的微控製器（MCU）中
，從而實現邊緣AI/ML解決方案。這些MCU是許多嵌入式係統不可或缺的一部分
，憑借其成本效益

、高能效以及可靠的性能，現在能夠支持AI/ML應用。這種集成化在可穿戴電子產品、智能家居設備和工業自動化等應用領域中，從AI/ML功能中獲得的效益尤為顯著。具備AI優化功能的MCU和TinyML的興起（專注於在小型、低功耗設備上運行ML模型），體現了這一領域的進步。TinyML對於直接在設備上實現智能決策、促進實時處理和減少延遲至關重要，特別是在連接有限或無連接的環境中。

TinyML是指在小型
、低功耗設備上應用機器學習模型，尤其是在微控製器（MCU）平台上
，這些MCU經過優化，可以在設備有限的資源體係內運行。這使得邊緣設備能夠實現智能決策
，支持實時處理並減少延遲。量化（Quantization）和剪枝（Pruning）等技術用於減小模型大小並提高推理速度。量化通過降低模型權重的精度，顯著減少內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元，進一步減小模型規模並提升延遲性能。這些方法對於在資源有限的設備上部署ML模型至關重要。

PyTorch和TensorFlow Lite都是實現機器學習模型的主流框架。PyTorch是一個開源機器學習庫，被廣泛用於人工智能應用的開發，包括可以部署在微控製器上的應用程序。PyTorch提供了用於機器學習的工具和庫，包括計算機視覺和自然語言處理
，可用於低功耗和小尺寸設備。

TensorFlow Lite for Microcontroller（TFLM）能夠在非常受限的MCU類設備上運行具有Flatbuffer轉換功能的TF Lite模型。這減少了模型的大小
，並優化了它在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處理器提供了優化的神經網絡內核來運行TFLM模型。CMSIS-NN庫提高了性能並減少了內存占用

，使其更容易在基於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，使更複雜的應用程序能夠在這些設備上更快
、更高效地運行。人工智能加速器擅長並行化任務，如矩陣乘法
、卷(juan)積(ji)和(he)圖(tu)形(xing)處(chu)理(li)。通(tong)過(guo)利(li)用(yong)多(duo)樣(yang)化(hua)的(de)並(bing)行(xing)性(xing)，它(ta)們(men)可(ke)以(yi)一(yi)次(ci)執(zhi)行(xing)大(da)量(liang)的(de)計(ji)算(suan)。這(zhe)使(shi)得(de)人(ren)工(gong)智(zhi)能(neng)工(gong)作(zuo)負(fu)載(zai)的(de)速(su)度(du)大(da)大(da)提(ti)高(gao)，同(tong)時(shi)保(bao)持(chi)低(di)功(gong)耗(hao)。這(zhe)些(xie)加(jia)速(su)器(qi)還(hai)增(zeng)強(qiang)了(le)內(nei)存(cun)訪(fang)問(wen)模(mo)式(shi)，減(jian)少(shao)了(le)數(shu)據(ju)傳(chuan)輸(shu)開(kai)銷(xiao)
，主(zhu)CPU—CortexMkeyijinrudigonghaoshuimianmoshi，yijieshenggengduodenenglianghuoguanliewaiderenwu。tongguoshishujugengjiejinjisuandanyuan，tamenjianshaoledengdaishijian。qijieguoshizengqianglexingneng、降低了功耗和延遲。

實際應用

TinyML的de實shi際ji應ying用yong是shi多duo種zhong多duo樣yang且qie有you影ying響xiang力li的de。一yi個ge值zhi得de注zhu意yi的de示shi例li是shi音yin頻pin和he視shi覺jiao喚huan醒xing詞ci
，當dang說shuo出chu特te定ding的de關guan鍵jian字zi或huo在zai圖tu像xiang中zhong檢jian測ce到dao某mou人ren時shi，設she備bei會hui觸chu發fa動dong作zuo。這zhe項xiang技ji術shu被bei用yong於yu智zhi能neng揚yang聲sheng器qi和he安an全quan攝she像xiang頭tou
，支zhi持chi它ta們men在zai識shi別bie到dao喚huan醒xing詞ci或huo檢jian測ce運yun動dong時shi激ji活huo。另ling一yi種zhong應ying用yong是shi工gong業ye環huan境jing中zhong的de預yu測ce性xing維wei護hu。工gong廠chang設she備bei上shang的de傳chuan感gan器qi持chi續xu監jian測ce振zhen動dong和he溫wen度du等deng參can數shu，可ke使shi用yongTinyML模型檢測來異常並在故障發生之前預測維護需求，這有助於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用。配備加速度計和陀螺儀的可穿戴設備可以監測身體活動
，如走路
、跑步或特定手勢。這些設備使用TinyML模型實時分析傳感器數據，為健身追蹤或醫療診斷提供有價值的見解。在農業領域
，TinyML被用於環境監測。智能農業係統分析土壤濕度和天氣條件，以優化灌溉，提高作物產量和資源效率。

TinyML還增強了健康監測功能。諸如連續血糖監測儀（CGM）zheyangxuyaochangshijiandianchishoumingheshishishujuchulideshebei，dounenggoujidadishouyiyuzhexiangjishu。ciwai
，zhinengchuangchuanganqikeyizaimeiyouzhijiejiechudeqingkuangxiapinggubingrendehuximoshi，weiyuanchengguanchatigongbujianduandejiankangshuju。zheyichuangxinzaiguanlilaonianrenhulihemanxingjibingfangmiantebieyoujiazhi，yinweichixujianceyouzhuyujizaofaxianqianzaidejiankangwenti。

啟動開發

要開始構建自己的TinyML應用，您需要了解TinyML的基礎知識並選擇合適的硬件。根據您的應用，您可能需要傳感器來收集數據
，例如加速度計、麥克風或攝像頭。設置開發環境包括安裝Simplicity Studio集成開發環境（IDE）、SDK和TinyML所需的資源庫。

xiayibushishoujihezhunbeiyuyingyongxiangguandeshuju。liru，ruguoninzhengzaigoujianyigeshoushishibiexitong
，ninxuyaoshoujibutongshoushidejiasudujishuju。shoujishujuhou，ninxuyaoduiqijinxingyuchuli，shiqishihexunliannindemoxing。xunlianmoxingxuyaozaigongnengqiangdadejiqishangshiyonggaojikuangjia，ruTensorFlow或PyTorch。一旦訓練完畢，模型需要使用量化和剪枝等技術進行優化。

在完成優化後，即可將模型轉換為適合MCU的格式，如TensorFlow Lite格式。最後一步是將優化後的模型部署到MCU，將其與應用程序代碼集成，並對其進行全麵測試，以確保其滿足性能和精度要求。基於實際性能的不斷迭代和改進對於完善TinyML應用至關重要。

利用芯科科技的解決方案在微控製器上實現人工智能和機器學習

芯科科技提供了一係列解決方案，有助於在MCU上實現AI/ML。EFR32/EFM32（xG24、xG26、xG28）和SiWx917係列微控製器由於其低功耗和強大的性能而非常適合TinyML應用。以下是在芯科科技MCU上實現AI/ML的詳細技術指南：

數據采集與預處理

數據采集：使用連接到MCU的傳感器采集原始數據，例如加速度計、陀螺儀和溫度傳感器等傳感器都可用於各種應用。

預處理：對數據進行清理和預處理，使其適合訓練。這可能包括過濾噪聲
、對數值進行歸一化處理以及將數據分割到窗口中。為此，芯科科技提供了數據采集和預處理工具。

數據采集工具則由合作夥伴SensiML提供：https://github.com/sensiml/sensiml_xG24_dual_audio_imu_capture

模型訓練

模型選擇：根據應用選擇合適的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：在高性能雲服務器或帶有GPU的本地PC上使用TensorFlow訓練模型。這包括將預處理數據輸入模型並調整參數以最小化誤差。

模型轉換：使用TensorFlow Lite轉換器將訓練模型轉換為與TF Lite Micro兼容的格式。TensorFlow Lite for Microcontrollers (TFLM)中的FlatBuffer轉換包括將TensorFlow Lite模型轉換為FlatBuffer格ge式shi，這zhe是shi一yi種zhong緊jin湊cou的de二er進jin製zhi格ge式shi，可ke以yi高gao效xiao地di存cun儲chu和he快kuai速su地di訪fang問wen。這zhe個ge過guo程cheng對dui於yu在zai內nei存cun和he處chu理li能neng力li有you限xian的de微wei控kong製zhi器qi上shang運yun行xing機ji器qi學xue習xi模mo型xing至zhi關guan重zhong要yao。FlatBuffers支持直接訪問模型而無需解壓。一旦采用FlatBuffer格ge式shi
，該gai模mo型xing可ke以yi由you微wei控kong製zhi器qi執zhi行xing，使shi其qi能neng夠gou執zhi行xing推tui理li任ren務wu。這zhe種zhong轉zhuan換huan減jian小xiao了le模mo型xing大da小xiao，使shi其qi適shi用yong於yu內nei存cun非fei常chang有you限xian的de設she備bei
，並bing且qie可ke以yi快kuai速su訪fang問wen和he執zhi行xing模mo型xing，而er無wu需xu進jin行xing大da量liang解jie析xi。此ci外wai
，它ta還hai確que保bao該gai模mo型xing可ke以yi在zai運yun行xing速su率lv低di於yu1GHz、代碼空間有限（通常低於3MB）、SRAM有限（約256KB）的MCU上被無縫集成和執行。

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）：將轉換後的模型移植到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麵。

推理和優化：應用量化和剪枝等優化技術
，以減小模型大小並提高性能。

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據並獲得預測結果。

軟件工具鏈：新的軟件工具包旨在支持開發人員使用一些最流行的工具套件（如TinyML和TensorFlow）快速構建和部署人工智能和機器學習算法。AI/ML軟件幫助設計人員創建新的應用程序。除了原生支持TensorFlow來為高效推理提供優化內核之外，芯科科技還與一些領先的AI/ML工具提供商（如SensiML和Edge Impulse）合(he)作(zuo)
，以(yi)確(que)保(bao)開(kai)發(fa)人(ren)員(yuan)擁(yong)有(you)端(duan)到(dao)端(duan)的(de)工(gong)具(ju)鏈(lian)來(lai)簡(jian)化(hua)機(ji)器(qi)學(xue)習(xi)模(mo)型(xing)的(de)開(kai)發(fa)，這(zhe)些(xie)模(mo)型(xing)針(zhen)對(dui)無(wu)線(xian)應(ying)用(yong)的(de)嵌(qian)入(ru)式(shi)部(bu)署(shu)進(jin)行(xing)了(le)優(you)化(hua)。通(tong)過(guo)將(jiang)這(zhe)一(yi)全(quan)新(xin)的(de)AI/ML工具鏈與芯科科技的Simplicity Studio開發平台以及xG24
、xG28和xG26係列SoC結合使用，開發人員可以創建能夠從各種互聯設備獲取信息的應用，這些設備都可以相互通信，從而做出智能的
、由機器學習驅動的決策。

芯科科技提供各種工具和資源來支持ML應用。以下是其中一些例子：

機器學習應用：芯科科技提供集成化的硬件、軟件和開發工具，幫助客戶快速創建適用於工業和商業應用場景的
、安全的智能設備。開發平台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
，可支持基於芯科科技的嵌入式平台開發的機器學習模型。它包括從命令行界麵或Python腳本執行ML操作的各項功能，並可確定ML模型在嵌入式平台上的執行效率，以及使用穀歌Tensorflow訓練ML模型。

參考數據集：MLTK附帶參考模型使用的數據集。這些數據集可以在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，並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盟MLCommons設計的性能評估套件。它旨在衡量ML係統在推理方麵的性能和能效，將訓練好的ML模型應用於新數據。該基準是專門為低功耗的最小設備量身定製的，通常用於深度嵌入式應用，如物聯網（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、關鍵字識別和視覺喚醒詞等應用程序。

與以前的版本相比，使用MLPerf Tiny v1.0的結果顯示出了推理速度提高，以及代碼規模和內存使用量的減少。例如，Plumerai的推理引擎表現出了顯著的增強，包括支持時間序列神經網絡，如基於LSTM的循環神經網絡（RNN），這在運動傳感器、健康傳感器
、語音和音頻應用中很常見。

AI/ML合作夥伴

芯科科技與業界領先的供應商合作，包括Edge Impulse、SensiML
、NeutonAI和Eta Compute等AutoML工具鏈和SaaS雲夥伴建立了合作關係。此外，諸如Sensory和MicroAI等解決方案提供商，以及包括Capgemini和Jabil在內的設計合作夥伴都是該網絡的一部分。這些聯盟提供了可簡化綜合解決方案開發的平台，使初學者更容易接觸到邊緣的AI/ML。

TinyML在MCU上的優勢：

成本低－MCU價格合理

綠色環保－能耗低

易於集成－可輕鬆將MCU集成到現有環境中

隱私與安全－在本地處理數據
，無需聯網傳輸

快速原型開發－快速開發概念驗證解決方案

自主可靠－微型設備在任何環境下都能穩定運行

實時處理－將延遲降至最低

嵌入式開發應用流程

開發具有機器學習功能的應用需要兩個不同的工作流程：

使用Simplicity Studio來創建無線應用的嵌入式應用開發工作流程。

創建將添加到嵌入式應用的機器學習功能的機器學習工作流程。

目標應用

運動檢測：zaishangyebangongdalouli，xuduodengdoushiyouyundongtanceqikongzhide，gaitanceqijiancezhanyongqingkuang，yiquedingdengshifouyinggaidakaihuoguanbi。raner，dangyuangongzaibangongzhuoqiandazishi
，youyudongzuojinxianyushouheshouzhi，yinweiyundongchuanganqibenshenwufashibietamendecunzai
，suoyikenenghuichuxianzidongguandengerwufaweiyuangongketigongzhaoming。tongguojiangyinpinchuanganqiyuyundongtanceqilianjieqilai，ewaideyinpinshuju（如打字的聲音）可以通過機器學習算法進行處理，從而使照明係統能夠更明智地決定燈是應該打開還是關閉。

預測性維護：可使用芯科科技的EFR32 MCUlaikaifayigeyucexingweihuxitong。zhexuyaoshiyonglianjiedechuanganqilaishoujijiqidezhendonghewendushuju
，tongshixunlianyigemoxinglaigenjuzhexieshujuyuceqianzaideguzhang，ranhoujianggaimoxingbushuzaiMCU上，實現對機器的實時監控和維護計劃。

健康監測：使用EFM32 MCU構建可穿戴健康監測設備。使用傳感器收集心率和體溫等生命體征的數據。訓練一個模型來檢測數據中的異常。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。

智能農業：使用芯科科技的MCU開發智能灌溉係統。使用連接的傳感器收集土壤濕度和天氣數據。訓練一個模型，以便根據這些數據來優化水的使用。將該模型部署在MCU上
，控製灌溉係統
，提高作物產量。

結論

MCU不再局限於簡單任務
，而是正成為實現AI的強大平台。通過探索麵向AI優化的MCU，我們可以為電池供電的智能設備開辟新的潛在應用。無論是智能家居設備還是工業傳感器，AI驅動的MCU正在重塑嵌入式係統的未來。