EMB_85

EMBEDDED 85 • SETTEMBRE • 2022 38 HARDWARE | TINYML sible AI Institute . Esso prevede che l’utente sottoscriva una licenza nella quale dichiari che l’applicazione non im- plichi un utilizzo per scopi criminali, di sorveglianza o di natura militare. La figura 3 illustra la funzione di test del modello di Edge Impulse. In questo esempio, una MCU di STMicroelectronics viene impiegata unitamente a un microfono digitale per riconoscere le parole casa e zero. L’uscita del test del modello mostra la percentuale di pro- babilità per ciascuna parola, il rumore di fondo e altre pa- role non classificate. Fraunhofer AIfES L’istituto di ricerca tedesco Fraunhofer ha sviluppato la libreria AIfES (AI for Embedded Systems). Indipenden- te dalla piattaforma e scritta in C, AIfES è una libreria open-source che viene rilasciata con la licenza GNU GPL (General Public License). Essa utilizza la libreria standard GNU GCC che semplifica notevolmente l’implementazio- ne e gira su qualsiasi dispositivo hardware, dai microcon- trollori a 8 bit ai più potenti processori per smartphone e CPU per computer desktop. È anche disponibile una ver- sione della libreria AIfES per tutti gli innovatori che im- plementano progetti basati sulla piattaforma Arduino. AIfES è concessa in uso gratuito per lo sviluppo di pro- getti privati, mentre richiede un accordo di licenza per applicazioni di natura commerciale. La figura 4 illustra le funzionalità e la compatibilità della libreria AIfES per i di- versi tipi di piattaforma. La libreria è compatibile con i più diffusi framework Python per apprendimento automatico come TensorFlow, Keras e PyTouch e il processo di svilup- po è simile. Implementazione di TinyML: le fasi successive Nel corso di questo articolo sono state illustrate tre piat- taforme e librerie per l’apprendimento automatico che possono essere impiegate per sviluppare e distribuire in tempi brevi applicazioni TinyML alla periferia della rete. Lo sviluppo di un’applicazione IIoT embedded di appren- dimento automatico per la distribuzione alla periferia del- la rete è un compito arduo. Le risorse e i flussi di lavoro disponibili permettono di semplificare l’utilizzo delle reti neurali e non richiedono una conoscenza approfondita dei principi della scienza dei dati. Nel terzo e ultimo articolo di questa serie verranno de- scritte numerose piattaforme microcontrollore e kit di va- lutazione supportati dalle risorse di sviluppo presentate in questo articolo. Una semplice scheda di valutazione per un microcontrollore a basso consumo, un sensore e le risorse menzionate, a cui vanno aggiunte un numero limitato di componenti esterni, permetteranno di imple- mentar una dimostrazione di TinyML in meno di un’ora. Fig. 2 – Edge Impulse è una piattaforma completa ed esaustiva per lo sviluppo di applicazioni di apprendimento automatico su microcontrollori (Fonte: Edge Impulse) Fig. 3 –La funzione di test del modello di Edge Impulse (Fonte: Mouser) Fig. 4 – Le funzioni della libreria AIfES (AI for Embedded Systems) dell’istituto Fraunhofer (Fonte: Fraunhofer Institute for Microelectronic Circuits and Systems)