|
基于STM32的机器学习工具 - NanoEdge AI Studio
此工具只需极少的数据输入,即可为给定用例输出最佳NanoEdge AI库。同时,借助针对STWIN SensorTile板的数据记录器功能,可简单直接地进行输入数据的记录。NanoEdge AI输出的库可针对微控制器进行优化,可独立于云在微控制器上进行学习和推理。1 G9 ^# M+ ^9 P, g: V 意法半导体近期推出了NanoEdge AI Studio-V3,目前可支持四种类型的NanoEdge AI项目: ·“异常检测”(Anomaly Detection),提供一种能够以增量方式学习模式和进行推理的动态模型,两者均直接在目标微控制器中进行;5 l" n* k4 A' ~% G ·“One-Class”分类(One-class Classification),用于监测数据中的异常值,尤其适用于系统无法提供异常行为示例的情况; ·“N-Class”分类(N-class Classification),能够从各种可能的不同状态中自动识别机器状态;4 _2 r0 W3 h* G ]# Y; p S) u ·“外推法”(Extrapolation),使用数学回归模型来根据其他已知的特性来估计目标值。* z- |$ T9 ?. i4 G/ a % a/ u0 Y9 }6 X/ |' W 3 v8 M4 b u! h' U! Q% R9 J 以下,请观看4款基于STM32的NanoEdge AI Studio 的人工智能应用演示: ▼ ▼ ▼ / _6 Y8 j/ w3 C: J7 _$ Z |
意法半导体助力STM32开发者简化AI模型开发流程
迈入融合时代:以统一的STM32 MCU平台释放物理AI潜能
【STM32C0116-DK】MNIST 数字识别
【NUCLEO-C562RE】MNIST 数字识别
【STM32H5 评测】MNIST 数字识别
STM32在边缘AI的布局及能力版图
从家电到机器人:STM32边缘AI应用案例拆解
STM32U3B5/U3C5:为超低功耗设计带来高性能 DSP 与边缘 AI
【NUCLEO-U3C5ZI 测评】+ 手写数字识别
【STM32U3 评测】MNIST 数字识别
微信公众号
手机版
学习学习