NuEdgeWise : Nuvoton AI 机器学习开发环境
Nuvoton NuEdgeWise IDE 是由新唐科技推出专为 TinyML 开发的机器学习工具，支持机器学习应用开发的四个主要阶段，包括标记、训练、验证和测试。
NuEdgeWise利用 Jupyter Notebook 提供平台，开发者可以在新唐的微控制器与微处理器上使用 TensorFlow Lite 进行模型的训练和部署，使 TinyML 的应用变得更加轻松。
开发流程介绍：
| 步骤I |  |
在这个阶段，数据被赋予卷标或分类，这对于训练机器学习模型至关重要。例如，图像数据可能会被标记为包含特定对象或场景，而声音数据可能会根据声音种类进行标记，Sensor 的数据可能会根据指定的Sensor Raw Data 进行标记。这个过程通常需要人工完成，以确保数据的准确性和一致性。 |
|---|---|---|
| 步骤II |  |
使用已标记的数据来训练机器学习模型，此步骤 Nuvoton 也会提供预设的 Model 使 User 可以快速地训练模型。训练的模型以便能够对未见过的数据进行预测或分类。训练通常需要大量数据和计算资源。 |
| 步骤III |  |
验证阶段是为了评估模型在未参与训练过程的数据集上的表现。这可以帮助确定模型的准确度和泛化能力。通常会用一部分未用于训练的数据来进行这一阶段的评估。 |
| 步骤IV |  |
最后的测试阶段进一步评估模型在完全独立的数据集上的性能。这是检查模型是否真正理解了数据特征而不是仅仅记住训练数据的关键步骤。成功的测试意味着模型准备好在现实世界中应用。 |
目前新唐科技已推出七种不同的开发场景，轻松跨出 AI 应用开发的第一步：
| 应用案例 | 模型 | 介绍 | 开发工具 | 适用 M467 |
适用 MA35D1 |
适用 M55M1 |
|---|---|---|---|---|---|---|
| 关键词辨识（Keyword Spotting） | DNN/DS-CNN | 本应用着重于关键词辨识（Keyword Spotting, KWS）技术，探讨如何通过收集特定声音数据来训练深度可分卷积神经网络（Depthwise Separable Convolutional Neural Networks, DSCNN）或传统深度神经网络（Deep Neural Networks, DNN）。本应用将展示从数据收集、预处理、特征提取到模型训练的整个流程。目标是开发出能准确侦测和响应特定语音指令的模型，适用于各种语音交互应用，如智能助手和语音控制系统，以提升用户交互体验。 | ML_KWS (Contact us) |
✓ | ✓ | |
| 手势辨识（Gesture Recognition） | CNN | 使用三维加速度计收集手势动作数据，训练卷积神经网络（CNN）模型以识别不同手势，并将该模型部署到开发板上，实现实时手势识别。 | ML_G-Sensor (Contact us) |
✓ | ✓ | |
| 影像分类（Image Classification） | MobileNet | 本应用将深入探讨使用 MobileNet 模型进行影像分类的方法与实践。MobileNet，作为一种轻量级的深度学习架构，特别适合于计算资源受限的设备。文章将从基础的模型结构讲起，说明 MobileNet 如何通过深度可分卷积来减少计算量和模型大小，同时保持高效的分类性能。
随后，将介绍如何使用公开数据集对 MobileNet 进行训练，包括数据预处理、模型训练和效能优化的步骤。此外，文章还将探讨如何将训练好的模型部署到不同的平台上，包括云端服务和边缘计算设备。 最后，将通过实际案例来展示 MobileNet 在影像分类领域的应用效果，如物品识别、场景理解等，强调其在实时和高效能图像处理领域的重要性。这篇文章将为想要在影像分类领域进行深度学习实践的读者提供实用的指南和启发。 |
ML_Image_ Classification (Contact us) |
✓ | ✓ | |
| 对象侦测（Object Detection） | SSD_MobileNet_ fpnlite v2/v3 |
在本应用中，我们将探讨如何使用 TensorFlow Object Detection API 进行影像侦测。这个强大的 API 使开发者能够轻松训练和部署物体识别模型，适用于多种应用，从安全监控到自动驾驶车辆。本应用将介绍 API 的基础知识，包括如何设置开发环境、准备和标注数据集，以及如何进行模型训练和评估。此外，还会探讨如何将训练好的模型应用于实时影像侦测，并部署到各种平台和设备上。这将为有志于在这一领域进行深入研究的开发者提供一个全面的指南和实用的见解。 | ML_Object_ Detection (Contact us) |
✓ | ||
| 对象侦测（Object Detection） | Yolo-fastest v1 | 本应用深入探讨如何使用 DarkNet 框架训练适用于边缘运算的 YOLO（You Only Look Once）模型。重点介绍将训练好的模型转换为 TensorFlow Lite 格式，并利用 Vela 优化工具进行性能提升。本应用将涵盖模型训练的关键步骤、转换流程以及优化技术，旨在帮助开发者有效侦测不同种类的对象，特别适用于资源有限的边缘运算装置。 | ML_YOLO (Contact us) |
✓ | ||
| 异常侦测（Anomaly Detection） | DNN/ Autoencoder |
本应用详述如何使用异常检测技术实现 Tiny ML（微型机器学习）模型的训练，并将其转换为 TensorFlow Lite (TFLite) 格式。文章将涵盖从数据预处理、特征提取到异常检测算法的应用，以及如何将训练好的模型优化和转换为 TFLite 格式，以便于在资源受限的装置上运行。这种方法特别适合于需要高效且实时的异常检测应用，如工业监控或物联网设备。 | ML_Gearbox_ Fault_Diagnosis (Contact us) |
✓ | ✓ | |
| 视觉唤醒词（Visual Wake Words） | Small MobileNet RGB/gray | 本应用探讨了在微控制器上实现视觉唤醒词（Visual Wake Words, VWW）模型的方法，专注于识别图像中是否存在人物或其他特定的对象。这种方法运用了轻量级的深度学习模型，专为在资源有限的微控制器上运行而设计。本应用将介绍如何有效地训练和优化这类模型，并且涵盖了将模型部署于微控制器的过程。这对于开发低功耗、实时反应的嵌入式视觉应用来说，提供了一个实用且高效的解决方案。 | ML_VWW (Contact us) |
✓ | ✓ |
文章评论