Table of Contents[Veşartin][Rêdan]
Modelên Fêrbûna Makîneyê niha li her derê ne. Di nava rojê de, dibe ku hûn van modelan ji ya ku hûn pê dihesin pir zêdetir bikar bînin. Modelên fêrbûna makîneyê di karên hevpar ên wekî geroka medyaya civakî, wênekêşandin û kontrolkirina hewayê de têne bikar anîn.
Dibe ku algorîtmayek fêrbûna makîneyê vê blogê ji we re pêşniyar kiribe. Me tevan bihîstiye ka perwerdekirina van modelan çiqas dem dixwe. Me tevan bihîstiye ku perwerdekirina van modelan dem dixwe.
Lêbelê, encamdana li ser van modelan bi gelemperî ji hêla hesabkirinê ve biha ye.
Pêdiviya me bi pergalên komputerê hene ku bi têra xwe bilez in ku bi rêjeya ku em karûbarên fêrbûna makîneyê bikar tînin bi rê ve bibin. Wekî encamek, piraniya van modelan li ser navendên daneya girseyî yên bi komên CPU û GPU-yê têne xebitandin (tewra di hin rewşan de TPU).
Dema ku hûn wêneyek bikişînin, hûn dixwazin fêrbûna makîneyê ku tavilê wê baştir bikin. Hûn nexwazin ku hûn li bendê bin ku wêne ji navendek daneyê re were veguheztin, were hilanîn û ji we re vegere. Di vê rewşê de, modela fêrbûna makîneyê divê li herêmî were darve kirin.
Gava ku hûn dibêjin "Hey Siri" an "OK, Google", hûn dixwazin ku amûrên we tavilê bersivê bidin. Li bendê ne ku dengê we ji komputeran re were veguheztin, li wir dê were nirxandin û daneyan were girtin.
Ev dem digire û bandorek xirab li ser ezmûna bikarhêner heye. Di vê rewşê de, hûn dixwazin ku modela fêrbûna makîneyê li herêmî jî bixebite. Li vir tê TinyML.
Di vê postê de, em ê li TinyML binêrin, ka ew çawa dixebite, karanîna wê, meriv çawa bi wê re dest pê dike, û hêj bêtir.
Çi ye TinyML?
TinyML dîsîplînek pêşkeftî ye ku potansiyela şoreşgerî ya fêrbûna makîneyê li ser performans û sînorên hêzê yên cîhazên piçûk û pergalên pêvekirî bicîh tîne.
Dabeşkirina serketî ya di vê pîşesaziyê de têgihiştinek bêkêmasî ya serîlêdan, algorîtma, hardware û nermalavê hewce dike. Ew celebek fêrbûna makîneyê ye ku modelên fêrbûna kûr û fêrbûna makîneyê di pergalên pêvekirî de bikar tîne ku mîkrokontrolker, pêvajoyên nîşana dîjîtal, an pêvajoyên din ên pispor ên pir kêm-hêz bikar tînin.
Amûrên pêvekirî yên çalakkirî yên TinyML têne armanc kirin ku algorîtmayek fêrbûna makîneyê ji bo karek taybetî bimeşînin, bi gelemperî wekî beşek ji cîhazê. komputer.
Ji bo ku bi hefteyan, mehan, an jî bi salan bêyî şarjkirin an guheztina bataryayê bixebitin, pêdivî ye ku van pergalên pêvekirî xwedan hêzek kêmtir ji 1 mW bin.
Çawa dixebite?
Yekane çarçoweya fêrbûna makîneyê ya ku dikare bi mîkrokontrolker û komputeran re were bikar anîn ev e TensorFlow Lite. Ew komek amûran e ku dihêle pêşdebiran modelên xwe li ser cîhazên mobîl, pêvekirî, û kêlekê bimeşînin, ku rê dide fêrbûna makîneyê li ser piyan.
Navbera mîkrokontrollerê ji bo berhevkirina daneyan ji senzoran (wek mîkrofon, kamera, an senzorên pêvekirî) tê bikar anîn.
Berî ku ji mîkrokontrolerê re were şandin, dane di nav modelek fêrbûna makîneya ewr-based de tête nav kirin. Perwerdehiya hevîrê di moda negirêdayî de bi gelemperî ji bo perwerdekirina van modelan tê bikar anîn. Daneyên sensor ku dê ji bo bikaranîn hînbûn û encamgirtin Jixwe ji bo serîlêdana taybetî hate destnîşankirin.
Mînakî, heke model ji bo tespîtkirina peyva hişyariyê tê perwerde kirin, ew jixwe hatî saz kirin ku ji mîkrofonek pêvekek bihîstwerî ya domdar bigire.
Her tişt jixwe di doza TensorFlow Lite de bi alîkariya platformek ewr a mîna Google Colab tê kirin, di nav de hilbijartina databasê, normalîzekirin, kêmbûn an zêdekirina modelê, birêkûpêkkirin, zêdekirina daneyan, perwerdekirin, pejirandin, û ceribandin.
Modelek bi tevahî perwerdekirî di dawiyê de piştî perwerdehiya hevîrê ya negirêdayî tê guheztin û ji mîkrokontrolker, mîkrokomputer, an pêvajoya nîşana dîjîtal re tê veguheztin. Modelê piştî ku li amûrek pêvekirî tê veguheztin perwerdehiyek zêde tune. Di şûna wê de, ew tenê daneyên rast-ê ji senzor an cîhazên têketinê bikar tîne da ku modelê bicîh bîne.
Wekî encamek, pêdivî ye ku modelek fêrbûna makîneya TinyML bi taybetî domdar be û karibe piştî salan were perwerde kirin an jî qet neyê perwerde kirin. Pêdivî ye ku hemî kêmbûn û zêdekirina modela potansiyel were lêkolîn kirin da ku model ji bo demek dirêj ve têkildar bimîne, bi îdeal bêdawî.
Lê çima TinyML bikar bînin?
TinyML wekî hewldanek dest pê kir ku pêbaweriya IoT li ser karûbarên ewr ji bo pîvana piçûk a bingehîn ji holê rake an kêm bike. fêrbûna makîneyê operasyonên. Vê yekê pêdivî bi karanîna modelên fêrbûna makîneyê li ser cîhazên peravê bixwe kir. Ew feydeyên sereke yên jêrîn peyda dike:
- Hêza kêm xerc: Serlêdanek TinyML divê bi tercîh kêmtirî 1 milliWatt hêz bikar bîne. Digel vê xerckirina kêm-hêza kêm, amûrek dikare bi mehan an salan bidomîne encamên encamên ji daneyên senzorê derdixe, hetta ji hêla pîlê coin ve were xebitandin.
- Lêçûna jêrîn: Ew hatiye dîzaynkirin ku li ser mîkrokontrolkerên 32-bit an DSP-ya kêm-mesref bixebite. Van mîkrokontrolleran bi gelemperî her yek çend cent in, û pergala tevhevkirî ya ku bi wan re hatî pêşve xistin ji 50 $ kêmtir e. Ev vebijarkek pir lêçûn e ji bo meşandina bernameyên fêrbûna makîneyê ya piçûk li ser astek mezin, û ew bi taybetî di serîlêdanên IoT de ku divê fêrbûna makîneyê were sepandin de sûdmend e.
- Derengiya Kêmtir: Serîlêdanên wê dereng kêm in ji ber ku ew ne hewce ne ku daneyan li ser torê veguhezînin an biguhezînin. Hemî daneyên sensor bi herêmî têne tomar kirin, û encam bi modelek ku berê hatî perwerde kirin têne derxistin. Dibe ku encamên encamnameyê ji bo têketin an pêvajoyek zêde ji serverek an ewr re bêne şandin, her çend ev ji bo xebitandina amûrê ne pêdivî ye. Ev derengiya torê kêm dike û hewcedariya operasyonên fêrbûna makîneyê ku li ser ewr an serverek têne kirin ji holê radike.
- Taybetî: Li ser înternetê û bi înterneta tiştan re xemeke sereke ye. Karê fêrbûna makîneyê di sepanên TinyML de, bêyî hilanîn an şandina daneyên senzor/bikarhêner ji serverek / ewr re li herêmî tê kirin. Wekî encamek, tewra dema ku bi torgilokek ve girêdayî be jî, ev serîlêdan ji bo karanîna ewledar in û xetereyên nepenîtiyê nînin.
Applications
- Çandinî - Dema ku cotkar wêneyekî nebatekê dikişînin, sepana TensorFlow Lite nexweşiyên tê de tespît dike. Ew li ser her amûrekê dixebite û pêwendiyek înternetê hewce nake. Prosedûra berjewendiyên çandiniyê diparêze û ji bo cotkarên gundan pêdiviyek krîtîk e.
- Mechanics Maintenance - TinyML, gava ku li ser cîhazên kêm-hêz tê bikar anîn, dikare bi domdarî xeletiyên makîneyek nas bike. Ew lênihêrîna li ser bingeha pêşbîniyê vedihewîne. Ping Services, destpêkek Avusturalya, amûrek IoT destnîşan kir ku turbînên bayê çavdêrî dike û xwe bi turbînê ve girêdide. Gava ku ew pirsgirêkek an xeletiyek muhtemel bibîne, rayedaran agahdar dike.
- Nexweşxane - The Solar Scare projeyek e. Mêşhingiv TinyML bikar tîne da ku belavbûna nexweşiyên wekî dengue û malaria rawestîne. Ew ji hêla enerjiya rojê ve tê hêz kirin û şert û mercên mêşhingivaniyê nas dike berî ku îşaretek avê bide ku mezinbûna mêşan asteng bike.
- Çavdêriya Trafîkê - By sepandina TinyML li ser senzorên ku daneyên seyrûsefera rast-dem berhev dikin, em dikarin wan bikar bînin da ku seyrûseferê baştir rêve bikin û demên bersivdayînê ji bo wesayîtên acîl qut bikin. Mînakî, Swim.AI, vê teknolojiyê li ser daneya veguhêz bikar tîne da ku ewlehiya rêwiyan zêde bike û di heman demê de bi riya rêveçûna biaqil qerebalix û emeliyetê jî kêm bike.
- Qanûn: TinyML dikare di dadrêsiya dadrêsê de were bikar anîn da ku kiryarên neqanûnî yên wekî serhildan û dizî bi karanîna fêrbûna makîneyê û naskirina tevgerê nas bike. Dibe ku bernameyek wusa jî ji bo ewlekirina bankomatên bankê were bikar anîn. Bi temaşekirina tevgera bikarhêner, modelek TinyML dikare pêşbîn bike ka bikarhêner xerîdarek rastîn e ku danûstendinek biqedîne an dagirkerek e ku hewl dide ku ATM-ê hack bike an hilweşîne.
Meriv çawa bi TinyML re dest pê dike?
Ji bo ku hûn di TensorFlow Lite-ê de bi TinyML-ê re dest pê bikin, hûn ê hewceyê panelek mîkrokontroller a hevaheng bin. TensorFlow Lite ji bo Mîkrokontrolleran mîkrokontrolkerên ku li jêr hatine destnîşan kirin piştgirî dike.
- Wio Terminal: ATSAMD51
- Desteya Pêşkeftinê ya Himax WE-I Plus EVB Endpoint AI
- STM32F746 kit Discovery
- Adafruit EdgeBadge
- Platforma Pêşxistina Nermalava Synopsys DesignWare ARC EM
- Sony Express
- Arduino Nano 33 BLE Hest
- SparkFun Edge
- Adafruit TensorFlow Lite ji bo Kit Microcontrollers
- Adafruit Circuit Playground Bluefruit
- Espressif ESP32-DevKitC
- Espressif ESP-EYE
Van mîkrokontrolkerên 32-bit in ku têra xwe bîranîna flash, RAM, û frekansa demjimêrê ne ku modelek fêrbûna makîneyê bicîh bikin. Di panelan de hejmarek senzorên serhêl jî hene ku dikarin her bernameyek pêvekirî bimeşînin û modelên fêrbûna makîneyê li ser sepana armanckirî bicîh bikin. Ber modela fêrbûna makîneyê ava bikin, hûn ê ji bilî platformek hardware hewceyê laptopek an komputerek hewce bikin.
Her platforma hardware ji bo çêkirin, perwerdekirin û veguheztina modelên fêrbûna makîneyê, ku pakêta TensorFlow Lite ji bo Microkontrolleran bikar tîne, amûrên bernamekirinê yên xwe hene. TensorFlow Lite belaş e ku bikar bîne û biguhezîne ji ber ku ew e çavkaniya vekirî.
Ji bo ku hûn bi TinyML û TensorFlow Lite-ê re dest pê bikin, ya ku hûn hewce ne yek ji platformên hardware yên ku li jor hatine behs kirin, komputerek / laptop, kabloyek USB, veguherînerek USB-to-Serial - û xwestina ku hûn fêrbûna makîneyê bi pergalên pêvekirî re pratîk bikin e. .
zehmetiyên
Tewra ku pêşkeftina TinyML gelek encamên erênî derxistiye, pîşesaziya fêrbûna makîneyê hîn jî bi astengiyên girîng re rû bi rû dimîne.
- Pirrengiya nermalavê - Kodkirina destan, hilberîna kodê, û wergêrên ML hemî vebijark in ji bo bicîhkirina modelan li ser cîhazên TinyML, û her yek dem û hewldanek cûda digire. Di encama vê yekê de performansên cûda dikarin derkevin holê.
- Cûdahiya Hardware - Li wir çend vebijarkên hardware hene. Platformên TinyML dikare ji mîkrokontrolkerên gelemperî bigire heya pêvajoyên neuralî yên pêşkeftî her tişt be. Ev dibe sedema pirsgirêkan bi bicîhkirina modelê li ser mîmariyên cihêreng.
- Çareserkirin / verastkirin - Dema ku modelek ML li ser ewr kêm performans dike, hêsan e ku meriv li daneyan binêre û fêm bike ka çi xelet dibe. Dema ku modelek li bi hezaran cîhazên TinyML-ê belav dibe, bêyî ku pêveka daneyê li ewr vegere, debugkirin dijwar dibe û dibe ku pêdivî bi rêbazek cûda hebe.
- Astengiyên bîranînê - Kevneşopî platformên, wek smartphone û laptopan, hewceyê gigabytes RAM in, lê cîhazên TinyML kilobytes an megabytes bikar tînin. Wekî encamek, mezinahiya modela ku dibe ku were bicîh kirin sînordar e.
- Perwerdehiya Model - Tevî ku Gelek avantajên bicihkirina modelên ML li ser cîhazên TinyML hene, piraniya modelên ML hîn jî li ser ewr têne perwerde kirin da ku rastbûna modelê dubare bikin û bi domdarî baştir bikin.
Dahatû
TinyML, bi şopa xweya piçûk, xerckirina batarya kêm, û nebûna an pêbaweriya tixûbdar a bi girêdana înternetê re, di pêşerojê de xwedan potansiyelek mezin e, ji ber ku piraniya teng çêkirî dê li ser cîhazên qerax an alavên serbixwe yên bicîbûyî werin bicîh kirin.
Ew ê bi karanîna wan serîlêdanên IoT taybet û ewledartir bike. Çira TensorFlow Lite naha çarçoweya fêrbûna makîneyê ya yekane ye ji bo mîkrokontrolker û mîkrokomputeran, çarçoveyên din ên berawirdî yên wekî sensor û ARM's CMSIS-NN di xebatê de ne.
Digel ku TensorFlow Lite projeyek çavkaniyek vekirî ye ku di pêşkeftinê de ye ku bi Tîma Google re destpêkek ecêb dest pê kir, ew hîn jî hewceyê piştgiriya civakê ye da ku bikeve navgîniya bingehîn.
Xelasî
TinyML nêzîkatiyek nûjen e ku pergalên pêvekirî bi fêrbûna makîneyê re dike yek. Ji ber ku AI-ya teng di gelek vertîkal û domanan de lûtkek mezin dibe, teknolojî dikare di fêrbûna makîneyê û îstîxbarata sûnî de wekî qadek girîng derkeve holê.
Ew ji gelek kêşeyên ku sektora IoT û pisporên ku fêrbûna makîneyê li gelek dîsîplînên domain-taybetî bikar tînin çareseriyek peyda dike.
Têgîna karanîna fêrbûna makîneyê li cîhazên qiraxa bi komputerek piçûk şop û xerckirina hêzê xwedan potansiyel e ku bi girîngî veguhezîne ka pergalên pêvekirî û robotîk têne çêkirin.
Leave a Reply