TinyML: книга рецептов : искусственный интеллект и интегрированные устройства со сверхнизким энергопотреблением делают мир умнее

Содержание книги "TinyML: книга рецептов : искусственный интеллект и интегрированные устройства со сверхнизким энергопотреблением делают мир умнее"

От издательства
Введение
Составители
Предисловие
Глава 1. Начало работы с TinyML
Технические требования
Представление TinyML
Краткое описание глубокого обучения (DL)
Разница между мощностью и энергией
Программирование микроконтроллеров
Представление Arduino Nano 33 BLE Sense и Raspberry Pi Pico
Настройка Arduino Web Editor, TensorFlow и Edge Impulse
Запуск скетча на Arduino Nano 33 и Raspberry Pi Pico
Глава 2. Прототипирование на микроконтроллерах
Технические требования
Отладка кода
Подключение светодиодного индикатора на макетной плате
Управление внешним светодиодом с помощью GPIO
Включение и выключение светодиода с помощью кнопки
Использование прерываний для считывания состояния кнопки
Питание микроконтроллеров от батарей
Глава 3. Создание метеостанции с помощью библиотеки TensorFlow Lite for microcontrollers
Импорт данных о погоде из WorldWeatherOnline
Подготовка набора данных
Обучение модели с помощью TF
Оценка эффективности модели
Квантизация модели с помощью конвертера TFLite
Использование встроенного датчика температуры и влажности на Arduino Nano
Использование датчика DHT22 с Raspberry Pi Pico
Подготовка входных характеристик для просчета модели
Запуск на устройстве с помощью TFLu
Глава 4. Голосовое управление светодиодами с помощью Edge Impulse
Технические требования
Сбор аудиоданных с помощью смартфона
Извлечение параметров MFCC из аудиосемплов
Пример проектирования и обучения нейронной сети (NN)
Настройка эффективности модели с помощью EON Tuner
Классификация в реальном времени с помощью смартфона
Классификация в реальном времени с помощью Arduino Nano
Непрерывное распознавание на Arduino Nano
Схема для голосового управления светодиодами на Raspberry Pi Pico
Выборка звука на Raspberry Pi Pico с помощью АЦП и прерываний по таймеру
Глава 5. Распознавание интерьеров помещений с помощью TensorFlow Lite for Microcontrollers и Arduino Nano
Технические требования
Съемка с помощью модуля камеры OV7670
Преобразование изображений QQVGA из YCbCr422 в RGB888
Создание набора данных для распознавания интерьеров помещений
Трансфертное обучение с помощью Keras API
Подготовка и тестирование квантизованной модели TFLite
Сокращение объема RAM за счет объединения функций обрезки, изменения размера, масштабирования и квантизации
Глава 6. Создание интерфейса на основе жестов для управления воспроизведением на YouTube
Технические требования
Подключение к MPU-6050 IMU через интерфейс I2C
Получение данных акселерометра
Построение набора данных с помощью инструмента пересылки данных Edge Impulse data forwarder
Разработка и обучение модели ML
Классификации в реальном времени с помощью инструмента пересылки данных Edge Impulse data forwarder
Распознавание жестов на Raspberry Pi Pico в ОС Arm Mbed
Создание бесконтактного интерфейса с помощью PyAutoGUI
Глава 7. Запуск модели TinyML CIFAR-10 на виртуальной платформе ОС Zephyr
Технические требования
Начало работы с ОС Zephyr
Разработка и обучение малой модели CIFAR-10
Оценка достоверности модели TFLite
Преобразование цифрового изображения в C-байтовый массив
Подготовка основы проекта TFLu
Создание и запуск приложения TFLu на QEMU
Глава 8. К следующему поколению TinyML с microNPU
Технические требования
Настройка Arm Corstone-300 FVP
Установка TVM с поддержкой Arm Ethos-U
Установка набора инструментов Arm и стека драйверов Ethos-U
Генерация C-кода с помощью TVM
Генерация C-байтовых массивов для входа, выхода и меток
Создание и запуск модели на Arm Ethos-U55
Предметный указатель