英飞凌在边缘（Edge）设备上
释放机器学习（ML）的能力
市场对舒适性、便利性和简单性的需求不断增加，对娱乐、安全和能源效率领域更多功能的需求也在日益增长，这将大大增加对智能家居的兴趣和承诺。边缘人工智能（AI）将成为这些产品的关键推动因素。
今天的物联网硬件/软件开发人员面临着在构建这些未来设备时的一系列复杂设计。从复杂的集成无线连接，到优化电池供电设计中的系统功率，再到集成传感器融合，让物联网工作对任何团队来说都是一项艰巨的任务。作为连接现实世界和数字世界的领导者，英飞凌非常了解这些设计挑战，我们最近解决的一项挑战就是在边缘设备上释放机器学习（ML）的能力。
将ML从云端移至边缘的理由与挑战
现在将ML 工作量从云端移至边缘的理由比以往任何时候都更加强烈，因为有用户非常关心的隐私、流量带宽、成本和工作延迟等现实问题。边缘的AI/ML 主要专注于推理（Inference）。ML设计从数据收集、训练、生成已训练好的模型部署于边缘推理。然而，就算ML 数据已经训练并创建模型，还会有另外的挑战。弥合用于创建模型的工具与验证和优化嵌入式微控制器设备的过程之间的差距是极其复杂的，并导致上市时间缓慢延迟。
英飞凌ModusToolbox™ 机器学习工具
正因如此，英飞凌推出了ModusToolbox™ 机器学习工具，能够快速评估ML 模型并将其部署到英飞凌MCU 上。ModusToolbox™ ML 旨在与BSP、连接堆栈、中间件和有直观的配置器的ModusToolbox™ 软件生态系统无缝协作，以便开发人员可以专注于他们的应用程序差异化并加快进入市场。
目前ModusToolbox™ ML 已经实现：
-
从流行的训练框架（如TensorFlow™）导入模型；
-
优化嵌入式平台的模型以减少系统资源和复杂性；
-
通过基准测试验证优化模型的性能；
-
生成优化模型代码和库与ModusToolbox™ 开发流程整合。
ModusToolbox™ 已在2021 年7 月发布了机器学习（ML）配置器1.10 版，支持在与 ModusToolbox™流程集成的英飞凌MCU 上优化和部署ML 模型。ModusToolbox™ 也带有ML 例程，此代码示例演示了如何根据运动传感器（加速度计和陀螺仪）数据执行手势分类。该代码示例附带一个预训练模型，该模型可对以下手势进行分类：圆形、方形和左右。通过这个例程，工程师可以学习使用 ModusToolbox™ ML。
