Episode
Erkennen von Wörtern auf einem Mikrocontroller mithilfe von TinyML
KI auf IoT wechselt von der Cloud zum Edge und führt Modelle näher an die Daten. Traditionell ist die Hardware zum Ausführen dieser Modelle am Edge leistungsfähig, mit GPUs oder Computesticks. Aber was wäre, wenn Sie ein Modell in nur wenigen Kilobyte Arbeitsspeicher auf einer winzigen Mikrocontrollerzeichnung unter einer Millisebit-Leistung ausführen könnten? In diesem Video sehen wir uns genau das an, training a wake word model in the cloud using Azure ML Studio, then compressing it to 18KB and running it on an Adafruit EdgeBadge, a small, low-powered micro-controller based device.
Springen zu:
- [02:00] – Die Geschichte von IoT
- [04:25] – Einführung in TinyML
- [05:12] – Einführung in das EdgeBadge
- [06:04] – Schulung des Modells
- [08:03] – Demo des Notizbuchs
- [10:12] – Verwenden von VS Code zum Programmieren von EdgeBadge
- [11:41] – Demo des Wachworts
Weitere Informationen:
Die Favoritenlinks der KI-Show:
KI auf IoT wechselt von der Cloud zum Edge und führt Modelle näher an die Daten. Traditionell ist die Hardware zum Ausführen dieser Modelle am Edge leistungsfähig, mit GPUs oder Computesticks. Aber was wäre, wenn Sie ein Modell in nur wenigen Kilobyte Arbeitsspeicher auf einer winzigen Mikrocontrollerzeichnung unter einer Millisebit-Leistung ausführen könnten? In diesem Video sehen wir uns genau das an, training a wake word model in the cloud using Azure ML Studio, then compressing it to 18KB and running it on an Adafruit EdgeBadge, a small, low-powered micro-controller based device.
Springen zu:
- [02:00] – Die Geschichte von IoT
- [04:25] – Einführung in TinyML
- [05:12] – Einführung in das EdgeBadge
- [06:04] – Schulung des Modells
- [08:03] – Demo des Notizbuchs
- [10:12] – Verwenden von VS Code zum Programmieren von EdgeBadge
- [11:41] – Demo des Wachworts
Weitere Informationen:
Die Favoritenlinks der KI-Show:
Feedback? Melden Sie hier ein Problem.