使用英飛凌 ModusToolbox? 機器學習為IoT設備解鎖AI

1   英飛凌在邊緣（Edge）設備上釋放機器學習（ML）的能力

市場對舒適性、便利性和簡單性的需求不斷增加，對娛樂、安全和能源效率領域更多功能的需求也在日益增長，這將大大增加對智能家居的興趣和承諾。邊緣人工智能（AI）將成為這些產品的關鍵推動因素。

今天的物聯網硬件/軟件開發人員面臨著在構建這些未來設備時的一系列復雜設計。從復雜的集成無線連接，到優化電池供電設計中的系統功率，再到集成傳感器融合，讓物聯網工作對任何團隊來說都是一項艱巨的任務。作為連接現實世界和數字世界的領導者，英飛凌非常了解這些設計挑戰，我們最近解決的一項挑戰就是在邊緣設備上釋放機器學習（ML）的能力。

英飛凌安全互聯事業部大中華區 物聯網消費產品首席FAE 陳順祥

2   將ML從云端移至邊緣的理由與挑戰

現在將ML 工作量從云端移至邊緣的理由比以往任何時候都更加強烈，因為有用戶非常關心的隱私、流量帶寬、成本和工作延遲等現實問題。邊緣的AI/ML 主要專注于推理（Inference）。ML設計從數據收集、訓練、生成已訓練好的模型部署于邊緣推理。然而，就算ML 數據已經訓練并創建模型，還會有另外的挑戰。彌合用于創建模型的工具與驗證和優化嵌入式微控制器設備的過程之間的差距是極其復雜的，并導致上市時間緩慢延遲。

3   英飛凌ModusToolbox? 機器學習工具

正因如此，英飛凌推出了ModusToolbox? 機器學習工具，能夠快速評估ML 模型并將其部署到英飛凌MCU 上。ModusToolbox? ML 旨在與BSP、連接堆棧、中間件和有直觀的配置器的ModusToolbox? 軟件生態系統無縫協作，以便開發人員可以專注于他們的應用程序差異化并加快進入市場。

目前ModusToolbox? ML 已經實現：

●   從流行的訓練框架（如TensorFlow?）導入模型；

●   優化嵌入式平臺的模型以減少系統資源和復雜性；

●   通過基準測試驗證優化模型的性能；

●   生成優化模型代碼和庫與ModusToolbox? 開發流程整合。

ModusToolbox? 已在2021 年7 月發布了機器學習（ML）配置器1.10 版，支持在與ModusToolbox?流程集成的英飛凌MCU 上優化和部署ML 模型。ModusToolbox? 也帶有ML 例程，此代碼示例演示了如何根據運動傳感器（加速度計和陀螺儀）數據執行手勢分類。該代碼示例附帶一個預訓練模型，該模型可對以下手勢進行分類：圓形、方形和左右。通過這個例程，工程師可以學習使用ModusToolbox? ML。除此之外，英飛凌會在2021 年10 月舉辦ModusToolbox? ML 中文網絡研討會現場直播，并現場演示動手實驗如何快速輕松地開始使用ModusToolbox? ML。

（本文來源于《電子產品世界》雜志2021年9月期）