GitHub上用于微控制器的TensorFlow Lite

最新推荐文章于 2024-08-09 07:05:45 发布
最新推荐文章于 2024-08-09 07:05:45 发布
阅读量3.3k 收藏 15
点赞数 2
分类专栏： 优质开源项目分享 文章标签： GitHub 嵌入式 人工智能 TensorFlow Lite
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_38106923/article/details/88643183
版权

这是TensorFlow Lite的实验端口，针对微控制器和其他只有千字节内存的设备。它不需要任何操作系统支持，任何标准的C或C ++库或动态内存分配，因此它的设计甚至可以移植到“裸机”系统。核心运行时在Cortex M3上适合16KB，并且有足够的运算符来运行语音关键字检测模型，总共占用22KB。

 项目GitHub网站：https://github.com/tensorflow/tensorflow/tree/master/tensorflow/lite/experimental/micro

如需更多文档，请点击此处：https://www.tensorflow.org/lite/guide/microcontroller

如果想要自定义示例，可以试用此代码实验室：https://g.co/codelabs/sparkfunTF

可以使用Google提供的这个教程训练自己的模型。它拥有一个开放数据集，其中包含 100000 多条志愿者提交的语音，欢迎小伙伴们通过链接帮助扩展此数据集：https://aiyprojects.withgoogle.com/open_speech_recording

 

不脱发的程序猿
关注
专栏目录
使用 Keras 和 TensorFlow Lite 的设备端大型语言模型
特立独行的博客
09-12 684
近期，最令人兴奋的机器学习突破之一是大型语言模型 (LLM)。这些模型可用于生成文字、翻译语言以及以全面且信息丰富的方式回答问题。LLM（如 Google LaMDA 和 PaLM）已基于大量文本数据进行训练，使其能够学习字词和短语之间的统计模式和关系。这样，它们就可以生成类似于人工撰写的文本，并能够很准确地进行翻译。
案例分享 | CEVA 使用 TensorFlow Lite 在边缘设备部署语音识别引擎及前端
tensorflowforum的博客
05-18 3386
客座博文 / Ido Gus，来自 CEVA CEVA是无线连接和智能传感技术的领先授权商。我们的产品可帮助原始设备制造商 (OEM) 为移动设备、消费者、汽车、机器人、工业和物联网等多种终端市场，设计节能、智能和联网的设备。 CEVAhttps://www.ceva-dsp.com/ 在本文中，我们将说明如何使用适用于微控制器的 TensorFlow Lite(TensorFlow Lite for Microcontrollers, TFLM)，在基于 CEVA-BX DSP ...
TensorFlow Lite for Microcontrollers 的使用和实现
u011279649的专栏
10-27 3257
使用方法 参考tensorflow/lite/micro/examples/xxx 目录下的使用方法， 以hello_world为例， 文件hello_world_test.cc 1. 创建MicroErrorReporter object tflite::MicroErrorReporter micro_error_reporter; 2. 有tflite model文件得到 tflite::Modle 结构体 const tflite::Model* model = ::tflite::G.
Teensy4.0-TF-lite-micro:Tensorflow lite for MCU的回购示例代码已修改为可与Teensy 4.0一起使用
03-08
Teensy4.0-TF-lite-micro Tensorflow lite for MCU的回购示例代码已修改为可与Teensy 4.0一起使用 正在工作 你好世界正弦发生器 人物检测 故障排除 如果出现错误，指出某种CMSIS编译器头文件不存在，请导航至Arduino \ Libraries文件夹中的tensorflow \ lite \ micro \ tools \ make \ downloads \ cmsis \ CMSIS \ Core \ Include并确保cmsis_complier。 h和cmsis_gcc.h都存在。 如果缺少某些内容，则可以在中找到这些文件，将它们添加到本地目录中
TensorFlow Lite for Microcontrollers 项目教程
最新发布
gitblog_00576的博客
08-09 760
TensorFlow Lite for Microcontrollers 项目教程 tflite-microInfrastructure to enable deployment of ML models to low-power resource-constrained embedded targets (including microcontrollers and digital signa...
Tensorflow Lite的GitHub地址（Tensorflow 1.14.0）
qq_41627642的博客
08-05 695
Tensorflow Lite的GitHub地址 Tensorflow Lite的GitHub地址
TensorFlow Lite for Microcontrollers 的依赖和相关的macro
u011279649的专栏
10-29 789
如果要移植tflm代码到一个单独工程上去编译，要主要这些依赖库，因为这些库是动态下载的，执行某些脚本才有对应的文件，要特别注意 -I./third_party/gemmlowp \ -I./third_party/flatbuffers/include \ -I./third_party/ruy flatbuffer(tflite model) **FlatBuffers** is a cross platform serialization library architected for ma..
用于微控制器 的 TensorFlow Lite_C++_代码_相关文件_下载
07-06
用于微控制器的 TensorFlow Lite 是 TensorFlow Lite 的一个端口，旨在在 DSP、微控制器和其他内存有限的设备上运行机器学习模型。 附加链接： TensorFlow github 存储库 TensorFlow.org 上的 TFLM 更多详情、...
用树莓派4b构建深度学习应用（六）TensorFlow Lite篇
深度觉醒
09-05 5052
前言上回我们建立了 tensorflow 的开发环境，跑测试模型比较方便，但对于树莓派来说，还是太庞大了。仅有 0.3fps 无法满足实时的生产环境需求，这篇我们部署一下专门为移动端和嵌...
generic-tflmicro:TensorFlow Lite Micro的CMake项目
04-01
通用tflmicro 该存储库提供： cmake项目以生成TensorFlow Lite for Microcontrollers（TFLM）作为库通过将此存储库添加为git-submodule，您可以轻松地在项目中使用TFLM 使用TFLM库的样本项目（Hello World项目） 此存储库中的TFLM库没有特定于平台的硬件优化。 因此该库应在任何平台上运行 我创建此存储库主要是为了在PC上进行开发（Windows和Linux在x64上） 当您使用像Arduino这样的特定硬件时，最好为设备创建一个新的库以获得更好的性能。 如何建造 PC Linux（x64） mkdir -p build && cd build/ cmake .. make -j4 ./examples/hello_world/hello_world Windows（Visual Studio 2019）（
TensorFlowLiteC
03-22
TensorFlowLiteC TensorFlowLiteC的非官方Swift包 从官方CocoaPod下载二进制框架，并重新打包为Swift软件包管理器
TensorFlow Lite 端侧机器学习框架
08-28
TensorFlowLite(TFLite)是一个轻量、快速、跨平台的专门针对移动和IoT场景的开源机器学 习框架,是TensorFlow的一部分,支持安卓、iOS、嵌入式Linux以及MCU 等多个平台部署．
【更新发布】TensorFlow Lite 助力产品落地
tensorflowforum的博客
01-07 2719
文 / 开发技术推广工程师 Khanh LeViet TensorFlow Lite是在边缘设备上运行 TensorFlow 模型推理的正式框架。TensorFlow Lite 部署在全球超过 40 亿台边缘设备上，且支持基于 Android、iOS 和 Linux 的物联网设备及微控制器。自 2017 年底 TensorFlow Lite 首次发布以来，我们一直在探索与改进，在保证可靠性的同时让更多开发者（无论机器学习领域的专家或初学者）都能参与进来，轻松上手与使用。本文中，我们将重点介绍最近发..
TensorFlow Lite Micro简介与使用
全栈O-Jay的博客
08-13 4258
一文高效搞懂TensorFlow Lite Micro的简介与使用！
tensorflow for Microcontrollers TinyML 单片机版资料 arduino esp32 stm32
专注的力量
09-20 1656
例子里用的单片机 Person detection example This example shows how you can use Tensorflow Lite to run a 250 kilobyte neural network to recognize people in images captured by a camera. It is designed to run on systems with small amounts of memory such as micro.
TensorFlow Lite深度学习Arduino微控制器
跨学科知识视角展现
11-15 1043
关联知识 Python Arduino 机器学习 TensorFlow 介绍 应用架构 模型介绍 动作部件 进行测试 基础流程 图像提供器 检测响应器 检测人 部署到微型控制器 Arduino SparkFun Edge …更多 详情参阅http://viadean.com/arduino_tinyml_tensorflow_detection.html ...
基于TensorFlow Lite Micro在物联网设备上玩转TinyML之离线语音唤醒
HaaS技术社区的博客
09-13 5416
本文介绍如何基于HaaS EDU K1进行TFLite-Micro离线语音模型的部署。通过本文将学习到离线语音识别全链路开发流程。从语音数据集采集到模型训练，再到模型部署的TinyML（微型机器学习）整个生命周期。
TensorFlow Lite Micro怎么在STM32上部署
07-13
在STM32上部署TensorFlow Lite Micro需要以下步骤： 1. 准备开发环境：从TensorFlow官方GitHub库中获取TensorFlow Lite Micro的代码，并安装必要的软件工具链和开发环境，如GNU Arm Embedded Toolchain和STM32CubeMX。 2. 配置STM32CubeMX：使用STM32CubeMX配置你的STM32微控制器，包括选择正确的型号、引脚配置和时钟设置等。 3. 构建TensorFlow Lite Micro库：在你的开发环境中，使用Makefile或CMake来构建TensorFlow Lite Micro库。这将生成一个静态库文件（.a文件）。 4. 创建应用程序：根据你的具体应用需求，编写一个C/C++应用程序，包括载入模型、输入数据、运行推理以及处理输出结果等。你可以使用TensorFlow提供的示例代码作为起点。 5. 链接库文件：将TensorFlow Lite Micro库文件与你的应用程序进行链接，以便在编译时正确引用和调用库中的函数和结构。 6. 编译和烧录：使用GNU Arm Embedded Toolchain编译你的应用程序，并将生成的可执行文件烧录到STM32微控制器中。这可以通过ST-Link调试器或其他烧录工具来完成。 7. 测试和调试：在STM32上运行你的应用程序，并通过串口或其他调试接口来观察和验证推理结果。根据需要，进行调试和优化。 请注意，在部署TensorFlow Lite Micro到STM32上时，你需要确保你的STM32微控制器具备足够的计算和存储资源来运行模型。较大的模型可能需要更高级别的STM32系列，而较小的模型则可能适用于低端系列。还需要根据具体情况进行硬件和软件的优化，以确保性能和功耗的平衡。 此外，具体的步骤和细节可能因为使用的STM32型号、开发环境和TensorFlow Lite Micro版本而有所差异。在实际操作中，参考相关的文档、教程和示例代码，并参与相关的开发者社区来获取更详细和具体的指导。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

不脱发的程序猿

亲，赏包辣条吧~

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值