运用Edge Impulse实现MCU机器学习，试试吧~

作者 | Andrea Garrapa（意大利）

译者 | 禾沐

将AI应用带到边缘终端设备（智能手机、可穿戴、汽车和物联网设备等）可以降低功耗，并减少数据中心资源的负载，其中在MCU上实现机器学习是这种愿景中最为活跃的领域之一，tinyML是一个致力于该领域的新的研究方向。本文讲述了使用Edge Impulse训练验证模型、模型转换、生成代码并部署的过程。Edge Impulse是一个在边缘设备上进行机器学习的在线开发平台，正在获得嵌入式系统产业界的广泛支持。

业界对机器学习 的兴趣近来大增，已经有许多云应用帮助我们进行机器学习的开发。但是，如果应用缺乏互联网连接，需要处理敏感数据，或者要求低延迟，在小型微控制器上运行机器学习会更为合理。本文通过一个样例项目演示使用Edge Impulse在小型、低功耗、低成本微控制器上进行机器学习的开发。

在应用端运行机器学习（ML）算法被称为边缘计算, 比如在工业园区的一个厂房内。在工业4.0和物联网中通过边缘计算使用ML意味着数据不会离开现场，基于ML的决策也可以被快速采用。模型的训练需要大量的计算，但是我们可以在小型、高性价比的微控制器上运行这些计算。基于非对称的ML的大量研究是tinyML基金会的成立的前奏。在嵌入式设备上运行机器学习模型的主要原因有三个：

•本地处理：避免传输传感器收集的数据。不需要互联网连接的话，设备部署的限制就会更少。

•低能耗：微控制器的能耗非常低。一个电池驱动的微控制器可以持续运行图像辨识算法一年。

•成本和部署：微控制器普适而且低成本，方便ML模型的部署。通过简单的软件升级，它们可以很快部署新的或者升级后的模型，而不需要替换硬件。

tinyML依然是一个比较新的研究方向，但是其应用非常广泛，包括农业、医疗和预测性维护等。

Edge Impluse

Edge Impluse（tinyML即服务）通过一个开源的设备软件开发套件（SDK）为开发者提供机器学习的支持，包括简单的传感器数据收集、实时信号处理、测试和在任意目标设备上部署的能力，用户还可以扩展和贡献你的算法以及对设备的支持。所有设备软件：SDK、客户端和生成的代码，都以Apache 2.0协议授权。Edge Impluse与TensorFlow Lite Micro项目的协作意味着Edge Impulse可以使用的ML架构、操作和目标更广泛。Edge Impulse SDK面向个人开发者免费，针对在产品中使用SDK的团队则有企业版订阅付费模式。

创建账户并登录之后，你就可以创建你的第一个tinyML项目了，如图1所示，SDK的界面简洁、直观。

图1  Edge Impulse SDK仪表盘

登录之后，仪表盘（Dashboard）显示项目的概况，以及如何启动你的第一个项目，或者继续一个现有项目的指南。界面左侧，在仪表盘下方是其他的主菜单选项，它们的顺序反映了开发的不同阶段，比如设备（Devices）页显示已连接的设备列表，数据获取（Data acquisition）则显示已经收集好的测试和训练数据。Impulse设计（Impulse design）创建一个Impulse，Impulse是一个接收原始数据、运用信号处理提取特性和通过学习块对新数据进行分类的过程。

连接设备时，需要参照仪表盘画面中间的指示，也可以前往设备栏点击连接新设备（Connect a new device）。开发环境支持下列设备：

•ST IoT Discovery Kit：即B-L745E-IOT01A，开发板上搭载使用Cortex-M4处理器的微控制器、MEMS动作传感器、麦克风和WiFi。

•Arduino Nano 33 BLE Sense：一个小尺寸的开发板，上面搭载基于Cortex-M4的微控制器、动作传感器、麦克风和BLE。

•AI ECM3532 Eta Compute Sensor：一个小尺寸的开发板，上面的TENSAI ECM3532 SoC搭载基于Cortex-M3的微控制器和一个单独的CoolFlux DSP用于机器学习的加速。开发板上有两个麦克风&#x