如何使用TinyML在內存受限的設備上部署ML模型呢

介紹

這本書是關于 TinyML 的，TinyML 是一個快速發展的領域，位于機器學習和嵌入式系統的獨特交叉點，可以使 AI 在微控制器等極低功耗設備中應用。

TinyML 是一個充滿機遇的激動人心的領域。只需很少的預算，我們就可以賦予與周圍世界巧妙互動的物體生命，并讓我們的生活方式變得更美好。本書想通過實例來掃除這些障礙，讓沒有嵌入式編程經驗的開發者也能上手TinyML。每一章都將是一個獨立的項目，以學習如何使用 TinyML 的一些核心技術，與傳感器等電子組件接口，以及在內存受限的設備上部署 ML 模型。

License

MIT license

Lattice tinyvision & tingyml

https://github.com/tinyvision-ai-inc

https://www.latticesemi.com/Products/DevelopmentBoardsAndKits/HimaxHM01B0

上面只是放了Lattice在低功耗FPGA Up5k上實現相關AI例程的參考鏈接，想關的可以自己搜索，官網上都有相關介紹，github上看著不像官方的，不過也有很多完整的參考設計。

Efinix TinyML

https://github.com/Efinix-Inc/tinyml/tree/661ae30f2bf5b083ab88c7a4e54f0185a859f9b8

Efinix 提供基于開源 TensorFlow Lite for Microcontrollers (TFLite Micro) C++ 庫的 TinyML 平臺，該庫在 RISC-V 上運行，帶有 Efinix TinyML 加速器。

本網站提供端到端設計流程，有助于在 Efinix FPGA 上部署 TinyML 應用程序。介紹了從人工智能 (AI) 模型訓練、訓練后量化一直到使用 Efinix TinyML 加速器在 RISC-V 上運行推理的設計流程。此外，還展示了 TinyML 在 Efinix 高度靈活的特定領域框架上的部署。

RISC-V SoC：

設計流程：

TinyAcc

https://github.com/kksweet8845/TinyAcc

這是一個實現具有下降功能的神經網絡模型的項目。

總結

今天介紹的TunyML項目只有幾個，目前的應用場景還是比較偏向于嵌入式微處理上，只有Lattice和Efinix FPGA在這方面推出了自己的IP及示例程序，而Lattice的發展更傾向于開源的發展（靠開源推廣），所以這方面的應用是個“前途”還是“斷途”就仁者見仁智者見智了~

審核編輯：劉清