Der Blätterkatalog benötigt Javascript.
Bitte aktivieren Sie Javascript in Ihren Browser-Einstellungen.
The Blätterkatalog requires Javascript.
Please activate Javascript in your browser settings.
36 Elektronik 0 9 2024 Mikrocontroller unD Prozessoren ein lokales Überwachungsgerät über eine Embedded-Bildverarbeitung verfügt und in der Lage ist zu erkennen was Menschen tun – z Bstehen sitzen gehen laufen oder eine Tasche einen Koffer unbeaufsichtigt lassen – können Entscheidungen an der Datenquelle getroffen werden Anstatt das Gerät von Grund auf zu trainieren könnte ein Teil des Eingabedatensatzes auch ein verfügbarer Trainingssatz sein Bild 2 wie z B MPII Human Pose der etwa 25 000 Bilder aus Online-Videos enthält Die Daten sind klassifiziert sodass sie für überwachtes maschinelles Lernen verwendet werden können 4 Anforderungen an die Rechenleistung Die für Edge-ML erforderliche Rechenleistung variiert je nach Anwendung So benötigt die Bildverarbeitung zum Beispiel mehr Rechenleistung als eine Anwendung die auf der Abfrage eines Sensors oder der Aufbereitung einer Eingabe basiert Generell gilt jedoch ML-Modelle die auf intelligenten Geräten eingesetzt werden funktionieren am besten wenn sie klein sind und die von ihnen geforderten Aufgaben einfach sind Mit zunehmender Größe der Modelle und Komplexität der Aufgaben steigt der Bedarf an Rechenleistung schnell an Wenn dieser Bedarf nicht gedeckt ist wird die Systemleistung in Bezug auf Geschwindigkeit und oder Genauigkeit beeinträchtigt Die Möglichkeit kleinere ICs für ML zu verwenden wird jedoch durch Verbesserungen bei den Algorithmen und bei Open-Source-Modellen wie TinyML ML-Frameworks und modernen IDEs unterstützt die dem Entwickler beim Erstellen effizienter Designs helfen 5 Halbleiter Smart-Sensoren Viele Edge-ML-Anwendungen erfordern Edge-Verarbeitung für die Bildund Audioerkennung MPUs und FPGAs die eine Cloudbasierte Verarbeitung für solche Anwendungen unterstützen sind schon seit einiger Zeit verfügbar aber jetzt machen stromsparende Halbleiterbauelemente die Entwicklung Edgebasierter Anwendungen ebenfalls viel einfacher Ein Beispiel Der SAMA7G54 mit 1 GHz von Microchip Bild 3 ist die branchenweit erste Single-Core-MPU mit einer MIPI-CSI-2-Kameraschnittstelle und erweiterten Audiofunktionen Der Baustein integriert komplette Bildund Audio-Subsysteme unterstützt bis zu 8 MPixel und 720p @ 60 fps bis zu vier I2S Inter-IC Sound einen SPDIF-Sender und -Empfänger Sony Philips Digital Interface und einen 4-Stereo-Kanal-Audio-Abtastratenwandler Es zeigt sich ganz klar dass spezielle Bausteine für fortschrittliche Edgebasierte Verarbeitung nicht länger erforderlich sind Denn Fortschritte in der Halbleitertechnologie und bei den ML-Algorithmen haben dazu geführt dass auch gängige 16-Bitund sogar 8-Bit-MCUs eine Option für effektives Edge-ML sind Für viele Anwendungen ist der Einsatz dieser ICs mit geringem Stromverbrauch und kleinem Formfaktor überhaupt erst die Voraussetzung um batterieund sensorbasierte industrielle IoT-Edge-ML-Systeme zu realisieren 6 Open-Source-Tools Modelle Frameworks und IDEs Bei jeder Entwicklung vereinfachen und beschleunigen die Verfügbarkeit von Open-Source-Tools Modellen Frameworks und gut verstandene IDEs Integrated Development Environment das Design Testen und Prototyping und treiben die Markteinführung voran Das gilt natürlich auch für Edge-ML wobei hier insbesondere »Tiny Machine Learning« TinyML besonders wichtig war Nach der Definition der tinyML Foundation handelt es sich dabei um den »schnell wachsenden Bereich der Technologien und Anwendungen für maschinelles Lernen einschließlich Hardware dedizierte ICs Algorithmen und Software die in der Lage sind die Datenanalyse von Sensoren Bildverarbeitung Audio IMU Biomedizin usw vor Ort bei niedrigem Stromverbrauch durchzuführen – meist im mW-Bereich und darunter Dies ermöglicht vielfältige ständig aktive Anwendungen die auf batteriebetriebenen Systemen laufen « Durch die TinyML-Bewegung gab es in den letzten Jahren ein erhebliches Wachstum bei Tools und Support was die Arbeit der Entwickler im Embedded-Bereich erleichtert Beispiele für solche Tools sind die von Edge Impulse und SensiML sie bieten »TinyML as a Service« bei dem die ML-Anwendung in einer Größe von nur einigen Kilobyte bereitgestellt wird Die Tools sind kompatibel mit der TensorFlow-Lite-Bibliothek für den Einsatz von Modellen auf Mobilgeräten Mikrocontrollern und anderen Edge-Geräten Durch die Wahl solcher Tools können Entwickler schnell eine Klassifizierung Regression und Anomalieerkennung realisieren die Erfassung echter Sensordaten vereinfachen eine Live-Signalverarbeitung von Rohdaten zu neuronalen Netzen sicherstellen und Tests sowie die anschließende Bereitstellung auf einem Zielgerät beschleunigen 7 Entwicklungskits Die zunehmende Verfügbarkeit von Entwicklungskits ist ein weiterer Faktor der dazu beiträgt Edge-ML-Anwendungen schneller umzusetzen Viele Produkte die auf den Bild 1 Der Prozessablauf beim maschinellen Lernen Bild Microchip Technology