將機器學習引入物聯網
Silicon Labs 正在重新定義物聯網與機器學習交叉領域的可能性,助力打造更智能、響應更快、效率更高的邊緣設備。我們的平臺整合了尖端硬件與開發工具,加速從智能家居到工業自動化等物聯網機器學習應用的創新進程。
- 與無線 SoC 集成:業界最豐富的無線解決方案組合,結合機器學習賦能物聯網邊緣設備。
- 深度學習神經網絡:為高級物聯網機器學習應用提供更快速、更精準的深度學習能力。
- 豐富的開發工具集:為探索者和專業人士設計的端到端物聯網機器學習工具鏈,加速智能互聯產品的開發。
- AI/ML 硬件加速器:推理速度提升高達 8 倍,能耗僅為原來的 1/6,降低物料清單 (BOM) 成本與設計復雜度
-
硬件
物聯網機器學習產品入門指南
我們的無線 SoC 內置矩陣向量處理器 (MVP),為物聯網機器學習提供硬件加速,支持在邊緣直接進行快速、低功耗推理。非常適合需要實時設備端智能的智能互聯設備。
-
軟件
機器學習軟件開發工具包 (ML SDK):簡化物聯網開發中的機器學習實現流程
Silicon Labs ML SDK 將機器學習引入物聯網設備,無縫集成到 Simplicity Studio
中,并基于行業標準的 TensorFlow Lite Micro 框架構建。
工作原理:
?
自帶模型 (BYOM):可從您自己的 TensorFlow Lite 模型入手,或與我們的 AI/ML 合作伙伴協作,打造專為您的物聯網應用場景定制的模型。
無縫集成:安裝 Silicon Labs SDK 時只需添加該 AI/ML SDK 擴展,然后將模型拖放到項目的配置文件夾中即可直接集成。
自動優化: 從模型轉換到部署,該 SDK 全程為您處理優化與硬件加速工作,讓物聯網中的機器學習實現比以往更簡單。
物聯網機器學習核心工具:
Flatbuffer 轉換器
快速將 .tflite 模型轉換為可部署的頭文件 —— 只需將模型放入項目的配置文件夾,即可立即使用。
模型性能分析器
預估模型在您的物聯網目標設備上的內存占用和運行時性能,以便在部署前對模型進行微調。
模型 MVP 編譯器
該編譯器直接集成在 Simplicity Studio 中,可優化執行效率,管理內存布局、權重分頁和調度,實現高效的邊緣推理。
即用型演示
探索針對語音、手勢、聲學和基于傳感器的識別的預制演示示例 —— 展示機器學習在物聯網實際應用中的強大功能。
想要了解更多?可在此處找到更多 AI/ML 軟件文檔。需要模型開發支持?與我們的合作伙伴協作,打造專為您的應用場景定制的模型。
-
開發工具
物聯網機器學習開發工具入門指南
借助我們的開發套件和工具鏈,開啟您的物聯網機器學習之旅。直接運行開箱即用的演示示例、評估模型性能并構建定制化物聯網機器學習應用 —— 所有操作均在為邊緣人工智能 (Edge AI) 優化的硬件上完成。
-
應用
機器學習應用示例入門
探索物聯網機器學習如何在各類應用中實現實時智能 —— 從語音和音頻檢測到傳感器信號處理及低分辨率視覺識別。這些應用場景展示了設備端人工智能如何賦能更智能、響應更快、效率更高的邊緣解決方案。
觀看每個演示示例的實際運行效果,并學習如何使用 Silicon Labs 硬件和開發工具進行構建。
-
合作伙伴
與我們的 AI/ML 物聯網合作伙伴攜手啟程
與值得信賴的 AI/ML 合作伙伴協作,加速您的物聯網機器學習開發進程。這些經過嚴格篩選的設計服務提供商可在 Silicon Labs SoC 上提供定制化解決方案或可直接部署的模型,幫助您簡化開發流程并縮短上市時間。
從這里開啟您的物聯網機器學習開發之旅。
物聯網機器學習常見問題
對物聯網機器學習有疑問?本節介紹與使用 Silicon Labs 硬件在物聯網設備中構建 ML 相關的常見主題,如電源使用、部署和工具。物聯網中的機器學習是指在聯網設備上直接運行訓練好的模型,處理來自傳感器、麥克風和攝像頭的數據 —— 支持語音識別、視覺處理、異常檢測等場景的實時決策,且全程無需依賴云端。
如果使用 Silicon Labs 的矩陣向量處理器 (MVP) 等硬件加速器,在物聯網設備上運行機器學習模型反而能降低功耗。對于矩陣運算等計算密集型任務,與在 CPU 上運行相同模型相比,MVP 的推理速度最高可提升 8 倍,能耗最高可降低 6 倍,在處理大規模工作負載時效果尤為顯著。這使得 CPU 可處于閑置或休眠狀態,從而提升整體能效。
不需要,在物聯網設備上運行機器學習無需聯網。借助設備端推理和硬件加速功能,模型可在邊緣端本地處理數據 —— 從而實現快速、可靠且隱私安全的物聯網機器學習,無需依賴云端。
借助我們的機器學習開發套件,您可在幾分鐘內啟動開發流程,套件包含開箱即用型演示(包括語音控制的吃豆人游戲)。查看我們的 AI/ML 開發人員之旅,獲取分步操作指南?
物聯網與機器學習的結合為多種應用提供動力,包括語音識別、手勢檢測、視覺處理、預測性維護、異常檢測和智能門禁 —— 所有應用均在設備端高效運行,無需依賴云端。
可以 —— 完全可以。我們的平臺支持集成主流框架的預訓練模型,且經過認證的 AI/ML 合作伙伴提供針對 Silicon Labs 硬件優化的可直接部署解決方案。可直接使用這些模型,或根據特定的物聯網機器學習應用進行微調。
Silicon Labs 提供多種工具,幫助您評估和優化物聯網設備中的機器學習性能。例如,模型性能分析器 (Model Profiler) 可預估目標硬件上的內存占用和推理時間,而模型 MVP 編譯器(集成于 Simplicity Studio 中)可優化模型執行效率,實現高效的邊緣推理。這些工具讓您在部署前輕松微調模型性能。
不需要。Silicon Labs 與值得信賴的 AI/ML 提供商合作,這些提供商在我們的 SoC 上提供預構建的可直接部署解決方案 —— 非常適合希望快速啟動項目的團隊。對于定制化應用,我們還與經過認證的設計服務合作伙伴協作,助力您開發和部署量身定制的物聯網機器學習解決方案,無需具備深厚的機器學習專業知識。
物聯網機器學習演示視頻
探索由我們的硬件加速器驅動的真實物聯網機器學習演示。從語音、手勢識別到指紋、聲學傳感,這些示例展示了快速、高效的設備端推理能力。
