随着AI迅速向边缘领域挺进，对智能边缘器件的需求随之激增。然而，要在小尺寸的微控制器上部署强大的模型，仍是困扰众多开发者的难题。开发者需要兼顾数据预处理、模型选择、超参数调整并针对特定硬件进行优化，学习曲线极为陡峭。因而，开发者肯定希望能够在微控制器等边缘器件和其他受限平台上，轻松地构建和部署性能稳健、资源密集型的机器学习模型，而无需在复杂的代码或硬件限制上耗费精力。
近日我们满怀欣喜地宣布，由Analog Devices, Inc. (ADI)和Antmicro共同开发的AutoML for Embedded现已正式推出，集成在Kenning框架中。Kenning是一个不受硬件限制的开源平台，专注于对边缘设备上的AI模型进行优化、基准测试和部署。AutoML for Embedded旨在让嵌入式工程师、数据科学家等所有用户都能轻松使用高效且可扩展的边缘AI。
AutoML for Embedded开启了全新可能，实现了端到端机器学习流程的自动化，不仅让经验较少的开发者也能构建高质量模型，还能助力资深专家大幅提升实验效率。最终，开发者将获得高效的轻量级模型，不仅性能强大，而且不会超出设备的性能限制。
与CodeFusion Studio™和ADI硬件无缝集成
AutoML for Embedded是基于Kenning库构建的Visual Studio Code插件，旨在自然地融入开发者现有的工作流。它与CodeFusion Studio™进行了集成，能够支持：
● ADI MAX78002 AI加速器MCU和MAX32690：将模型直接部署到先进的边缘AI硬件。
● 仿真和RTOS工作流：利用基于Renode的仿真和Zephyr RTOS，快速开发原型并进行测试。
● 通用开源工具：支持灵活的模型优化，避免平台锁定。借助详细的分步教程、可复现的流程和示例数据集，即使没有数据科学背景，开发者也能以惊人的速度将原始数据转化为边缘AI应用并完成部署。
专为开发者打造，行业巨头鼎力支持
AutoML for Embedded是ADI与Antmicro深度合作的结晶，融合了深厚的硬件技术专长与开源创新。我们致力于提供开放、以用户为中心、可扩展的工具集，加速边缘AI在各行各业的普及。
Antmicro业务开发副总裁Michael Gielda表示：“依托Kenning这一灵活的开源AI基准测试与部署框架，我们成功开发了自动化流程和VS Code插件，大幅降低了构建优化边缘AI模型的复杂度。我们端到端开发服务的核心在于，基于经过验证的开源解决方案打造高效工作流，帮助客户实现对产品的全面掌控。凭借Renode灵活的仿真能力，并与高度可配置的标准化Zepher RTOS进行无缝集成，现在已经能够使用Kenning框架中的AutoML进行透明、高效的边缘AI开发。”
工作原理：技术揭秘
AutoML for Embedded采用先进的算法，自动进行模型搜索和优化。它利用SMAC（基于序列模型的算法配置）高效探索模型架构和训练参数，并应用Hyperband和逐次减半策略，将资源集中于最有潜力的模型。同时，它会根据设备RAM来核对模型大小，确保部署顺利进行。
候选模型可利用Kenning的标准流程进行优化、评估和基准测试，并生成关于模型大小、速度和精度的详细报告，为部署决策提供重要依据。
真实应用场景：典型用例
AutoML for Embedded正在深刻改变边缘AI的开发模式。例如，在近期的一次演示中，开发者利用AutoML for Embedded，在ADI MAX32690 MCU上成功创建了面向传感器时间序列数据的异常检测模型。此模型在物理硬件和Renode数字孪生仿真平台上都进行了部署，展现出良好的无缝集成和实时性能监控能力。
其他潜在应用包括：
● 低功耗摄像头上的图像分类和目标检测
● 工业物联网传感器的预测性维护和异常检测
● 面向设备端文本分析的自然语言处理
● 体育赛事和机器人领域的实时动作识别
欢迎积极试用，分享反馈意见，与我们共塑边缘AI的未来。
有兴趣将AutoML for Embedded引入您的应用项目？我们期待与积极挖掘边缘智能潜能的客户携手合作。如果您正在开发AI应用，想要获得在嵌入式设备上优化或部署模型的相关支持，欢迎与我们联系。
0 条