Software & Frameworks

Für die Implementierung von TinyML benötigt es die richtige Software bzw. die richtigen Frameworks. In diesem Abschnitt werden drei weitverbreitete Softwareaspekte für die Implementierung neuronaler Netze auf Edgegeräten behandelt.

TensorFlow Lite

TensorFlow Lite ist eine spezielle Version des TensorFlow-Frameworks, die auf die Implementierung von maschinellem Lernen auf Edge-Geräten optimiert ist. Es bietet eine schnelle und effiziente Ausführung von TinyML-Modellen auf ressourcenbeschränkten Geräten. TensorFlow Lite unterstützt verschiedene Hardwarebeschleuniger und ist eine beliebte Wahl für die Entwicklung von TinyML-Anwendungen. Im Folgenden werden die Vor- und Nachteile von TensorFlow Lite behandelt:

• Vorteile:

  • Weit verbreitet.

  • Umfangreiche Community-Unterstützung.

  • Unterstützt verschiedene Hardwareplattformen.

• Nachteile:

  • Kann auf einigen ressourcenbeschränkten Geräten schwerfällig sein.

  • Einige spezialisierte Modelle oder Schichttypen, die in TensorFlow unterstützt werden, sind nicht vollständig mit TFLite kompatibel.

Mehr erfahren: TensorFlow/Deploy machine learning models on mobile and edge devices

Edge Impulse

Edge Impulse ist eine Entwicklungsplattform, die es Entwicklern erleichtert, TinyML-Modelle zu erstellen und auf Edge-Geräten bereitzustellen. Die Plattform bietet Tools zur Datenerfassung, Modelltraining und -bereitstellung. Sie ermöglicht auch das Testen und Optimieren von Modellen in einer einfachen Benutzeroberfläche. Im kommenden Abschnitt werden die Vor- und Nachteile von Edge Impulse vorgestellt.

• Vorteile:

  • Benutzerfreundliche Plattform.

  • Erfordert weniger Programmieraufwand.

  • Unterstützt eine Vielzahl von Sensoren.

• Nachteile:

  • Die Daten sind online gespeichert, nicht lokal.

  • Die Edge-Impulse Plattform immer notwendig.

  • Begrenztere Anpassungsmöglichkeiten im Vergleich zu anderen Frameworks.

Mehr erfahren: Edge Impulse/Build. Train. Optimize. AI for the edge.

STM32Cube.AI

STM32Cube.AI ist ein Framework, welches spezifisch für die Implementierung von maschinellem Lernen auf Mikrocontrollern und eingebetteten Systemen entwickelt wurde, insbesondere für die STM32-Mikrocontrollerfamilie von STMicroelectronics. Es bietet eine umfassende Entwicklungsumgebung und Bibliotheken, die darauf abzielen, TinyML-Modelle auf einer Vielzahl von Hardwareplattformen auszuführen. Hier werden Vor- und Nachteile von diesem Framework beschrieben:

Vorteile:

• Spezialisiert auf die Optimierung von TinyML für Mikrocontroller der STM32-Familie.

• Unterstützt eine breite Palette von STM32-Mikrocontroller-Plattformen.

Nachteile:

• Nicht so flexibel oder vielseitig wie andere Frameworks.

Mehr erfahren: STMicroelectronics/STM32Cube.AI, YT-DigiKey/TinyML: Getting Started with STM32 X-CUBE-AI