EMB_86

EMBEDDED 86 • NOVEMBRE • 2022 33 I primi passi con TinyML: i kit di valutazione (3 a parte) In questo ultimo articolo della serie dedicata a TinyML verranno illustrate le caratteristiche di alcuni tra i numerosi kit di valutazione disponibili che consentiranno di iniziare a sviluppare la prima applicazione di apprendimento automatico basata su un microcontrollore Mark Patrick Mouser Electronics N el secondo di questa serie di tre articoli sono state esaminate alcune delle più diffuse risorse – in termini di flussi di lavoro e librerie per l’apprendi- mento automatico – da utilizzare per TinyML, tra cui TensorFlow Lite per microcontrollori di Google ed Edge Impulse . I kit di sviluppo e le schede di valuta- zione che verranno descritte in questo articolo sono supportate da queste risorse e rappresentano quindi il punto di partenza ideale per la realizzazione del pri- mo progetto. Le potenziali applicazioni per TinyML sono virtual- mente illimitate. Ogni giorno innovatori e progettisti trasformano le loro idee in realtà utilizzando micro- controllori a basso consumo. La possibilità di effettua- re inferenze sfruttando MCU equipaggiate con risorse minime è l’elemento alla base dell’aumento del nume- ro e delle tipologie di dispositivi IIoT (Industrial Inter- net of Things) in grado di effettuare elaborazioni alla periferia della rete (edge). Un esempio è un sensore alimentato a batteria per il monitoraggio delle condi- zioni di un motore operante in modalità wireless che utilizza un accelerometro MEMS (Micro Electro Me- chanical System) e un algoritmo basato su una rete neurale per misurare le variazioni delle firme vibra- zionali. Poiché il sensore utilizza una batteria e non prevede né una comunicazione cablata e neppure l’a- limentazione da rete, la distribuzione risulta partico- larmente semplice e può essere fatta a costi estrema- mente contenuti. Un dispositivo compatto per il moni- toraggio delle colture è un altro esempio significativo. L’impiego di una rete LPWAN (Low Power Wide Area Network) in grado di coprire lunghe distanze come a esempio LoRaWAN è ideale per la distribuzione re- mota di sensori di questo tipo. Piattaforme TinyML: una panoramica Google AIY Vision Kit La piattaforma per apprendimento automatico carat- terizzata dal livello di integrazione più elevato e già pronta all’uso è probabilmente Google AIY Vision Kit (Fig. 1). Fig. 1 – Il kit di visione Google AIY (Fonte: Google) TINYML | HARDWARE