TensorFlow Lite สำหรับไมโครคอนโทรลเลอร์ได้รับการออกแบบมาเพื่อเรียกใช้โมเดลแมชชีนเลิร์นนิงบนไมโครคอนโทรลเลอร์และอุปกรณ์อื่นๆ ที่มีหน่วยความจำเพียงไม่กี่กิโลไบต์ รันไทม์หลักพอดีกับ 16 KB บน Arm Cortex M3 และสามารถเรียกใช้โมเดลพื้นฐานจำนวนมาก ไม่ต้องการการสนับสนุนระบบปฏิบัติการ ไลบรารี C หรือ C++ มาตรฐานใดๆ หรือการจัดสรรหน่วยความจำแบบไดนามิก
ทำไมไมโครคอนโทรลเลอร์จึงมีความสำคัญ
ไมโครคอนโทรลเลอร์มักเป็นอุปกรณ์ประมวลผลขนาดเล็กที่ใช้พลังงานต่ำซึ่งฝังอยู่ภายในฮาร์ดแวร์ที่ต้องใช้การคำนวณขั้นพื้นฐาน ด้วยการนำแมชชีนเลิร์นนิงมาสู่ไมโครคอนโทรลเลอร์ขนาดเล็ก เราสามารถเพิ่มความฉลาดให้กับอุปกรณ์หลายพันล้านชิ้นที่เราใช้ในชีวิตของเรา รวมถึงเครื่องใช้ในครัวเรือนและอุปกรณ์ Internet of Things โดยไม่ต้องพึ่งพาฮาร์ดแวร์ราคาแพงหรือการเชื่อมต่ออินเทอร์เน็ตที่เชื่อถือได้ ซึ่งมักจะต้องใช้แบนด์วิธและ ข้อจำกัดด้านพลังงานและส่งผลให้มีเวลาแฝงสูง นอกจากนี้ยังสามารถช่วยรักษาความเป็นส่วนตัว เนื่องจากไม่มีข้อมูลออกจากอุปกรณ์ ลองนึกภาพอุปกรณ์อัจฉริยะที่สามารถปรับให้เข้ากับกิจวัตรประจำวันของคุณ เซ็นเซอร์อุตสาหกรรมอัจฉริยะที่เข้าใจความแตกต่างระหว่างปัญหาและการทำงานปกติ และของเล่นวิเศษที่ช่วยให้เด็กเรียนรู้ได้อย่างสนุกสนานและสนุกสนาน
แพลตฟอร์มที่รองรับ
TensorFlow Lite สำหรับไมโครคอนโทรลเลอร์เขียนด้วย C++ 17 และต้องใช้แพลตฟอร์ม 32 บิต ได้รับการทดสอบอย่างกว้างขวางกับโปรเซสเซอร์หลายตัวที่ใช้สถาปัตยกรรม Arm Cortex-M Series และได้รับการพอร์ตไปยังสถาปัตยกรรมอื่น ๆ รวมถึง ESP32 เฟรมเวิร์กพร้อมใช้งานเป็นไลบรารี Arduino นอกจากนี้ยังสามารถสร้างโครงการสำหรับสภาพแวดล้อมการพัฒนาเช่น Mbed เป็นโอเพ่นซอร์สและสามารถรวมอยู่ในโครงการ C ++ 17 ใดก็ได้
รองรับบอร์ดพัฒนาต่อไปนี้:
- Arduino Nano 33 BLE เซนส์
- SparkFun ขอบ
- ชุดอุปกรณ์การค้นพบ STM32F746
- ป้ายชื่อ Adafruit Edge
- Adafruit TensorFlow Lite สำหรับชุดไมโครคอนโทรลเลอร์
- สนามเด็กเล่น Adafruit Circuit Bluefruit
- Espressif ESP32-DevKitC
- เอสเพรสซิฟ ESP-EYE
- เทอร์มินัล Wio: ATSAMD51
- บอร์ดพัฒนา AI ปลายทาง Himax WE-I Plus EVB
- Synopsys DesignWare แพลตฟอร์มการพัฒนาซอฟต์แวร์ ARC EM
- โซนี่ สเปรสเซนส์
สำรวจตัวอย่าง
แอปพลิเคชันตัวอย่างแต่ละรายการอยู่บน Github และมีไฟล์ README.md
ที่อธิบายวิธีการปรับใช้กับแพลตฟอร์มที่รองรับ ตัวอย่างบางส่วนยังมีบทช่วยสอนแบบ end-to-end โดยใช้แพลตฟอร์มเฉพาะ ดังที่ระบุด้านล่าง:
- Hello World - สาธิตพื้นฐานการใช้ TensorFlow Lite สำหรับไมโครคอนโทรลเลอร์
- คำพูดขนาดเล็ก - บันทึกเสียงด้วยไมโครโฟนเพื่อตรวจจับคำว่า "ใช่" และ "ไม่"
- การตรวจจับบุคคล - บันทึกข้อมูลกล้องด้วยเซ็นเซอร์ภาพเพื่อตรวจจับการมีอยู่หรือไม่มีบุคคล
ขั้นตอนการทำงาน
จำเป็นต้องมีขั้นตอนต่อไปนี้เพื่อปรับใช้และเรียกใช้โมเดล TensorFlow บนไมโครคอนโทรลเลอร์:
- ฝึกโมเดล :
- สร้างโมเดล TensorFlow ขนาดเล็ก ที่สามารถใส่อุปกรณ์เป้าหมายของคุณได้และมี การดำเนินการที่รองรับ
- แปลงเป็นโมเดล TensorFlow Lite โดยใช้ ตัวแปลง TensorFlow Lite
- แปลงเป็นอาร์เรย์ไบต์ C โดยใช้ เครื่องมือมาตรฐาน เพื่อจัดเก็บไว้ในหน่วยความจำโปรแกรมแบบอ่านอย่างเดียวบนอุปกรณ์
- เรียกใช้การอนุมาน บนอุปกรณ์โดยใช้ ไลบรารี C++ และประมวลผลผลลัพธ์
ข้อจำกัด
TensorFlow Lite สำหรับไมโครคอนโทรลเลอร์ได้รับการออกแบบมาสำหรับข้อจำกัดเฉพาะของการพัฒนาไมโครคอนโทรลเลอร์ หากคุณกำลังทำงานกับอุปกรณ์ที่ทรงพลังกว่า (เช่น อุปกรณ์ Linux แบบฝังตัว เช่น Raspberry Pi) เฟรมเวิร์ก TensorFlow Lite มาตรฐานอาจผสานรวมได้ง่ายกว่า
ควรพิจารณาข้อจำกัดต่อไปนี้:
- รองรับ ชุดย่อยของการดำเนินการ TensorFlow ที่จำกัด
- รองรับชุดอุปกรณ์ที่จำกัด
- C++ API ระดับต่ำที่ต้องการการจัดการหน่วยความจำด้วยตนเอง
- ไม่รองรับการฝึกอบรมบนอุปกรณ์
ขั้นตอนถัดไป
- เริ่มต้นใช้งานไมโครคอนโทรลเลอร์ เพื่อลองใช้แอปพลิเคชันตัวอย่างและเรียนรู้วิธีใช้ API
- ทำความเข้าใจไลบรารี C++ เพื่อเรียนรู้วิธีใช้ไลบรารีในโครงการของคุณเอง
- สร้างและแปลงโมเดล เพื่อเรียนรู้เพิ่มเติมเกี่ยวกับการฝึกอบรมและการแปลงโมเดลสำหรับการปรับใช้บนไมโครคอนโทรลเลอร์