應用概覽概述
邊緣 AI 中的字元識別是指在記憶體和功耗有限的硬體上，從本地視覺資料中提取文字。主要挑戰在於如何最佳化複雜的神經網路，使其能夠在低成本微控制器上進行即時推理。
關鍵應用：
- 工業 IoT：鐵板、標籤和庫存標籤的自主讀取。
- 智慧型裝置：為穿戴式裝置和家用電器啟用基於手勢的輸入。
- 電網基礎設施：實現類比電表讀數的即時數位化。
開始評估
資料收集
MNIST（經修改的國家標準技術研究所資料庫）資料集是用於手寫字元識別的業界標準 "Hello World" 基準。它主要用於訓練和測試用於識別數字的影像處理系統。
資料品質評估
核心資料規範內容：70,000 張資料單個手寫數字 (0–9) 的灰階圖像。
結構：分為 60,000 張訓練圖像和 10,000 張測試圖像。
解析度：每張圖像都是 28x28 像素的正方形網格（每張圖片共 784 像素）。
預處理：數字經過大小歸一化處理，並居中顯示在固定大小的框架中，這使得簡單的演算法比處理原始資料更容易處理它們。
圖 1.1 - mnist-dataset
構建並訓練模型
使用 CCStudio Edge AI Studio 加速開發，這是一個符合直覺的圖形環境，用於設計、訓練和部署 AI 模型。
透過易於使用的基於 GUI 的工作流程，探索和訓練多種架構。使用者還可以探索功能全面的 CLI 工具，以修改和重新訓練模型，從而獲得更好的效能和最佳化效果
為您的需求找出合適的模型
我們使用開源模型 LENET-5，並針對我們的 NPU 對此模型進行最佳化和量化，最終實現了 99% 的準確度和僅 6.05ms 的延遲
圖 1.1 - 數字識別
部署模型
CCStudio™ Edge AI Studio 提供從頭到尾的整個工作流程，用於將訓練好的模型部署到嵌入式目標。對於尋求更深層客製化和控制的開發人員，請參閱部署指南，其中提供了一個全面的框架，用於將 EdgeAI 功能建置並整合到您自己的嵌入式應用中
- 使用 EdgeAI Studio GUI 工具在 MSPM0 微控制器上部署機器學習模型
- 使用 CLI 工具在 MSPM0 微控制器上部署機器學習模型
選擇適合您的裝置
| 延遲 (ms) | 快閃記憶體 (kB) | SRAM (kB) | ||||
|---|---|---|---|---|---|---|
| 產品編號 | 處理核心 | 可用的 NPU | 時鐘頻率 (MHz) | PIR 基準測試指標 | ||
| MSPM0G5187 | Arm® Cortex®-M0+ 核心 | 是 | 80 | 0.39 | 5.55 | 2.4 |
開始使用所需的所有硬體、軟體與資源
硬體
LP-MSPM0G5187
MSPM0G5187 LaunchPad™ 開發套件評估模組，這是 EdgeAI 推理所必需的，目前資料使用 ADC 擷取，並在特徵提取後傳遞給 AI 模型。
軟體與開發工具
CCStudio™ Edge AI Studio
一個完全整合的無程式碼解決方案，用於訓練和編譯 PIR 運動偵測模型，並部署到 TI 嵌入式微控制器裝置上。
CLI 工具
使用這款端對端模型開發工具，包含資料集處理、模型訓練與編譯
MSPM0-SDK
MSPM0 SDK 提供軟體，工具和文件的終極集合，可使用單一軟體套件，加速開發 MSPM0 MCU 平台的應用。