面向嵌入式AI工具NanoEdgeAI

NanoEdge AI Studio 是ST 提供的一款免費軟體，可輕鬆將 AI 添加到任何 Arm® Cortex®-M MCU上運行的任何嵌入式項目中。

它使嵌入式工程師，即使是那些不熟悉人工智慧的工程師，也能通過簡單的過程幾乎毫不費力地找到最適合他們需求的人工智慧模型。

該軟體在 PC 上本地運行，獲取輸入數據並生成一個 NanoEdge AI 庫，該庫包含模型、其預處理和功能，可輕鬆集成到新的或現有的嵌入式項目中。

NanoEdge AI Studio 的主要優勢在於其基準測試，它將探索數千種預處理、模型和參數的組合。這個疊代過程根據用戶的數據確定最適合其需求的算法。

NanoEdge AI Studio 是一款專為嵌入式機器學習而設計的軟體。它就像一個搜尋引擎，可以為您的項目找到最佳的 AI 庫。它需要您提供的數據來確定數據處理、模型結構和設置的正確組合。

一旦找到最適合您數據的設置，它就會創建 AI 庫。這些庫讓您可以輕鬆地在 C 代碼中使用數據處理和模型。

NanoEdge AI 庫是 NanoEdge AI Studio 的輸出。它們是 Arm® Cortex-M® 微控制器 (MCU) 上嵌入式 C 軟體的靜態庫。它以預編譯的 .a 文件形式打包，提供將智能功能集成到 C 代碼中的構建塊，而無需數學、機器學習或數據科學方面的專業知識。

當嵌入到微控制器中時，NanoEdge AI 庫可讓它們自動“理解”傳感器模式。每個庫都包含一個 AI 模型，該模型具有易於實現的功能，可用於學習信號模式、檢測異常、對信號進行分類和推斷數據等任務。

NanoEdge 中的每種項目都有自己的 AI 庫及其功能，但它們具有相同的特點：

• 高度優化：專為 MCU（任何 Arm® Cortex®-M）設計。
• 內存高效：只需要 1-20 KB 的 RAM/閃存。
• 快速推理：在 80 MHz 的 Cortex®-M4 上以 1-20 毫秒執行。
• 獨立於云：直接在微控制器內運行。
• 易於集成：可嵌入到現有代碼/硬體中。
• 節能：最低功耗。
• 靜態分配：保留堆棧。
• 數據隱私：不傳輸或保存數據。
• 用戶友好：部署不需要機器學習專業知識。

所有 NanoEdge AI 庫都是使用 NanoEdge AI Studio 創建的。

NanoEdge AI Studio 功能

• 根據用戶數據搜索最佳 AI 庫（預處理 + 模型）。
• 簡化嵌入式開發人員的機器學習功能的開發。
• 儘量減少對大量機器學習和數據科學知識的需求。
• 與傳統方法相比，利用最少的輸入數據。

4種檢測類型：

異常檢測區分正常行為信號和異常行為信號：

• 用戶輸入：包含正常和異常情況的信號的數據集。
• 工作室輸出：最佳異常檢測 AI 庫，包括預處理和基準測試期間確定的模型。
• 庫輸出：庫提供相似度分數（0-100%），表示訓練數據和新信號之間的相似度。
• 再訓練：此項目類型支持直接在微控制器上進行模型再訓練。
• C 庫函數：包括初始化、學習和檢測函數。請參閱AI：NanoEdge AI 庫，了解異常檢測 (AD)。
• 使用案例示例：為了對多台機器進行預防性維護，收集正常數據並模擬可能的異常。使用 NanoEdge AI Studio 創建一個可以區分正常和異常行為的庫。在所有機器上部署相同的模型，並針對每台特定機器重新訓練該模型，以增強其環境的專業化。

N 類分類，根據訓練數據將信號分配給幾個預定義類別之一：

• 用戶輸入：要檢測的每個類別的數據集。
• 工作室輸出：最優的N類分類庫，包括預處理和基準測試期間確定的模型。
• 庫輸出：庫產生與類別數對應的機率向量，表示信號屬於各個類別的可能性，並直接識別機率最高的類別。
• C 庫函數：包括初始化和分類函數。請參閱AI：NanoEdge AI 庫，了解 n 類分類 (nCC)。
• 用例示例：對於容易出現各種錯誤的機器，使用 N 類分類來準確識別發生的錯誤類型，而不僅僅是檢測問題的存在。

1類分類，不需要異常示例來區分正常行為和異常行為，而是檢測異常值。

• 用戶輸入：僅包含名義（正常）示例的數據集。
• 工作室輸出：最優的一類分類庫，包括預處理和基準測試期間確定的模型。
• 庫輸出：對於正常信號，庫返回 0，對於異常值，庫返回 1。
• C 庫函數：包括初始化和檢測函數。請參閱AI：NanoEdge AI 庫，了解 1 類分類 (1CC)。
• 用例示例：對於沒有異常數據的預測性維護，一類分類可以識別異常值。但為了獲得更好的性能，建議使用異常檢測。

外推預測離散值，通常稱為回歸。

• 用戶輸入：包含要預測的目標值和相應信號的數據集。數據格式與 NanoEdge 中的其他項目不同。[詳情請參閱此處]。
• 工作室輸出：最佳外推庫，包括預處理和基準測試期間確定的模型。
• 庫輸出：庫根據輸入信號預測目標值。
• C 庫函數：包括初始化和預測函數。請參閱AI：NanoEdge AI 庫以進行外推 (E)。
• 用例示例：監控帶有多個傳感器的機器時，使用外推法通過來自其他傳感器的數據預測一個傳感器的值。創建一個數據集，其中包含表示要保留的傳感器的數據演變的信號，並將其與要替換的傳感器的值相關聯。