如今MCU上“跑”機器學習，也很給力

機器學習（ML）是解決涉及模式識別問題的一個非常好的工具，ML算法能將雜亂的原始數(shù)據(jù)轉化為可用信號。其基本流程是基于數(shù)據(jù)產(chǎn)生模型，然后利用模型預測輸出，從而實現(xiàn)無需人工交互即可完成學習、推理和決策等目的。然而，對高性能計算資源的需求將許多ML應用程序限制在云中。也就是說，只有云數(shù)據(jù)中心級別的性能才能滿足ML對算力的要求。令業(yè)界興奮的是，隨著算法設計以及微處理器體系結構的不斷進步，在最小的微控制器（MCU）上運行復雜的機器學習工作負載正在成為可能。

在嵌入式設備上運行機器學習模型通常被稱為嵌入式機器學習（Embedded machine learning）。嵌入式設備中的機器學習有很多好處：

它消除了在云服務器上傳輸和存儲數(shù)據(jù)的需要，從而減少了傳輸數(shù)據(jù)時涉及的數(shù)據(jù)和隱私泄露。

它強化了對知識產(chǎn)權、個人數(shù)據(jù)和商業(yè)秘密的保護。

ML模型的執(zhí)行可有效避免向云服務器傳輸數(shù)據(jù)的需要，節(jié)約了寶貴的帶寬和網(wǎng)絡資源。

使用基于ML模型的嵌入式設備是可持續(xù)的，它的碳足跡要低得多。因為設備中使用的微控制器都是低能耗的。

嵌入式系統(tǒng)比基于云中心的系統(tǒng)效率更高，邊緣設備上的ML模型可以實現(xiàn)實時響應。

TinyML：MCU廠商的新商機

深度學習模型最初的成功主要歸功于擁有大量內存和GPU集群的大型服務器。雖然云端深度學習非常成功，但它并不適用于所有情況，因為許多應用需要在設備上進行推理。當今的大多數(shù)AI應用程序都是基于機器學習技術，如果在資源受限的設備上能夠流暢地運行機器學習模型，必將為許多新興應用打開了一扇技術之門，這也是近些年邊緣計算和嵌入式機器學習越來越火的一個重要原因。

嵌入式機器學習是機器學習的一個領域，這些被稱為微型機器學習（Tiny Machine Learning，TinyML）的模型非常適用于內存和處理能力有限、互聯(lián)網(wǎng)連接不存在或受限的邊緣設備?，F(xiàn)在，TinyML已經(jīng)成為機器學習中一個快速發(fā)展的領域，通過硬件、算法和軟件的有機結合，使之能夠以mW及以下的功率完成傳感器數(shù)據(jù)的分析，實現(xiàn)了在小型硬件上嵌入AI的過程。

雖然TinyML是一個新概念，但將機器學習應用于智能設備并不是什么新鮮事。比如，大多數(shù)的智能手機都有某種神經(jīng)網(wǎng)絡，音樂識別、許多相機模式（如夜視和肖像模式）都是依靠嵌入式深度學習的例子。這些都是TinyML的用武之地，也將Edge AI向前推進了一步。

Edge AI芯片組將AI引入到無數(shù)的終端內部，包括移動設備、汽車、智能音箱和無線攝像頭等。然而，這些設備往往因難以支持高計算性能和高數(shù)據(jù)吞吐量，無法充分利用產(chǎn)生的所有數(shù)據(jù)。TinyML的橫空出世，使得在MCU上運行機器學習模型成為可能。這些MCU普遍價格低廉，外形小巧，內置幾百KB的低功耗內存（SRAM）和幾兆字節(jié)的存儲空間，功耗很低，且應用廣泛。TinyML芯片組的主要目標是解決成本和能效問題，它們通過為小型推理工作負載設計的軟件，在低功耗、低處理能力和小內存的硬件上實現(xiàn)了數(shù)據(jù)分析性能，這一技術有可能徹底改變物聯(lián)網(wǎng)的未來。

如今，全球活躍的物聯(lián)網(wǎng)（IoT）設備超過2500億臺，預計每年增長20%。這些設備每天都會收集大量數(shù)據(jù)，在云中處理這些數(shù)據(jù)存在相當大的挑戰(zhàn)?，F(xiàn)在，TinyML有望彌合邊緣硬件和設備智能之間的鴻溝。麥肯錫研究人員預測，到2025年，物聯(lián)網(wǎng)行業(yè)將產(chǎn)生4-11萬億美元的潛在經(jīng)濟影響，其中制造業(yè)為最大的垂直產(chǎn)業(yè)，達到1.2-3.7萬億美元。

市場咨詢公司ABI Research在其新的白皮書《TinyML：科技領域的下一個重大機遇》中預測，2021至2026年間，物聯(lián)網(wǎng)連接數(shù)量將增加近三倍，達到236億。每一次新的連接都代表著利用AI和機器學習的機會，TinyML技術將是抓住企業(yè)這一機會的關鍵。因此，ABI預計，TinyML設備的出貨量將從2020年的1520萬臺增加到2030年的25億臺。

名廠云集TinyML賽道

自TinyML誕生以來，創(chuàng)新市場一直熱點不斷，許多產(chǎn)品都非常引入關注。例如：基于NVIDIA Jetson Xavier NX的工業(yè)AI智能相機，這是由Adlink公司推出的業(yè)界首款工業(yè)智能相機，該相機基于英偉達（NVIDIA）的Jetson Xavier NX，性能高、尺寸小，效率大約是前代產(chǎn)品的十倍，是一款緊湊、可靠、功能強大的Edge AI應用產(chǎn)品，為制造業(yè)、物流、醫(yī)療保健、農業(yè)和許多其他商業(yè)領域的人工智能創(chuàng)新打開了方便之門。

TinyML專注于優(yōu)化機器學習的工作負載，以便它們可以在低功耗的微控制器上運行。TinyML的激增將導致Edge AI在傳統(tǒng)關鍵市場之外的擴張，更多的終端用戶可以從基于聲波、溫度、壓力、振動和其他數(shù)據(jù)源的智能連接傳感器和物聯(lián)網(wǎng)設備中受益。如今，TinyML正處在機器學習和嵌入式物聯(lián)網(wǎng)的交匯點上，有可能為許多行業(yè)帶來顛覆性的變革。TinyML的潛在應用幾乎是沒有邊界的，比如：可以預測何時需要服務的工業(yè)機器人，可以監(jiān)測作物是否存在有害昆蟲的傳感器，當庫存減少時可以要求重新進貨的店內貨架，在保持隱私的同時可以跟蹤生命體征的醫(yī)療監(jiān)護儀。

音頻分析、模式識別和語音人機界面是當今TinyML應用最多的領域。恩智浦（NXP）基于EdgeReady MCU的3D人臉識別解決方案利用i.MX RT117F跨界MCU，能夠幫助開發(fā)人員快速地將3D人臉識別和先進的活體檢測填加到其產(chǎn)品中，即使在戶外照明條件下設備也能正常工作。該方案具備的3D活體檢測功能還能識別和抵御使用照片或3D模型的欺詐，僅需使用高性能3D結構化光攝像頭模塊（SLM）和可選的基于低成本CMOS傳感器的RGB攝像頭，無需使用昂貴、耗電、基于Linux的MPU。

方案中采用的i.MX RT1170是一款跨界MCU，它采用了主頻達1GHz的Cortex-M7內核和主頻達400MHz的Arm Cortex-M4，擁有卓越的計算能力、多種媒體功能以及實時功能。人臉識別和活體檢測可在i.MX RT117F MCU上完全離線執(zhí)行，不再借助云，不僅消除了延遲問題，還能有效保護消費者的隱私。

圖1：i.MX RT117F 3D人臉識別硬件結構框圖（圖源：NXP）

視覺、運動和手勢識別同樣是TinyML的重要應用領域。意法半導體（ST）的AI解決方案主要基于STM32產(chǎn)品組合，借助預訓練神經(jīng)網(wǎng)絡，嵌入式開發(fā)人員可以在任何基于Cortex M4、M33和M7的STM32上進行移植、優(yōu)化和驗證。STM32CubeMX是一種圖形工具，通過分步過程可以非常輕松地配置STM32微控制器和微處理器，以及為Arm Cortex-M內核或面向Arm Cortex-A內核的特定Linux設備樹生成相應的初始化C代碼。

STM32Cube.AI是STM32CubeMX的AI擴展包，設計人員可以在其基礎上更高效地開發(fā)自己的AI產(chǎn)品。FP-AI-VISION1屬于STM32Cube的一種功能包（FP），含有基于卷積神經(jīng)網(wǎng)絡（CNN）的計算機視覺應用實例。

目前，F(xiàn)P-AI-VISION1包括三個基于CNN的圖像分類應用示例：

在彩色（RGB24位）幀圖像上運行的食品識別應用；

在彩色（RGB24位）幀圖像上運行的人員存在檢測應用；

在灰度（8位）幀圖像上運行的人員存在檢測應用。

現(xiàn)在，ST提供的TinyML計算機視覺解決方案可識別18種常見食物，也可以實施人員在場檢測，或者基于目標檢測模型統(tǒng)計場景中的人數(shù)等。

隨著IoT市場規(guī)模的擴大，邊緣的數(shù)據(jù)量增長迅猛，由TinyML賦能的AIoT應運而生。根據(jù)Markets and Markets的分析數(shù)據(jù)，2019年的AIoT市場規(guī)模約為51億美元，預計到2024年將增長至162億美元，復合年均增長率（CAGR）高達26%。AIoT的主要作用是賦能聯(lián)網(wǎng)設備使其具備機器學習能力，從而執(zhí)行復雜的智能運算。

2021年6月英飛凌（Infineon）推出的ModusToolbox ML，其目標就是讓公司的PSoC MCU具有深度學習的功能。ModusToolbox ML是一項基于ModusToolbox軟件的全新功能，可為開發(fā)人員提供基于深度學習的ML模型所需的中間件、軟件庫和專用工具。ML可與ModusToolbox中已有的軟件框架無縫集成，十分便利地集成到安全的AIoT系統(tǒng)中。ModusToolbox ML允許開發(fā)人員使用他們首選的深度學習框架（如TensorFlow），直接部署到PSoC MCU上。此外，ML還有助于工程師優(yōu)化嵌入式平臺的模型，降低平臺復雜度，并提供具有基于測試數(shù)據(jù)的性能驗證功能。

為了幫助開發(fā)人員快速地將本地智能添加到他們的IoT設計中，Infineon選擇了與SensiML公司合作。SensiML是QuickLogic的子公司，向市場提供尖端的軟件，使超低功耗IoT終端能夠實現(xiàn)AI，公司的旗艦方案SensiML Analytics Toolkit提供了一個端到端的開發(fā)平臺，涵蓋數(shù)據(jù)采集、標簽、算法和固件自動生成和測試。SensiML的“Analytics Toolkit” Edge AI開發(fā)軟件現(xiàn)在可以與Infineon ModusToolbox配合使用, 為開發(fā)人員提供了一種快速簡便的方法來記錄來自Infineon XENSIV傳感器的數(shù)據(jù)，創(chuàng)建復雜的基于AI/ML的模型，并在PSoC6 MCU上運行定制的應用程序。

不斷壯大的TinyML生態(tài)系統(tǒng)

TinyML社區(qū)成立于2019年，是一個由研究人員和行業(yè)工程師組成的社區(qū)，致力于將ML能力引入到微控制器設備。TinyML由機器學習體系結構、技術、工具和方法組成，能夠在以電池驅動設備為主的低功率目標設備上對各種傳感模式（視覺、音頻、運動、化學和其他）執(zhí)行分析。TinyML的創(chuàng)始人之一Evgeni Gousev認為：“我們正處于數(shù)字轉型革命中，TinyML以低成本執(zhí)行設備上的機器智能和分析，并結合固有的隱私功能，提供了極大的節(jié)能優(yōu)勢。”

TinyML將在許多行業(yè)普及，它將影響包括：零售、醫(yī)療保健、交通、健康、農業(yè)、健身和制造業(yè)等幾乎每一個行業(yè)。與此同時，行業(yè)的參與者很快就認識到了TinyML的價值，并迅速采取行動創(chuàng)建了一個支持性的生態(tài)系統(tǒng)。

Arm是TinyML的堅定支持者，同時也是TinyML技術的領導者。隨著超過1800億基于Arm的芯片的出貨，其IP、工具和1100多個軟件合作伙伴已經(jīng)構建了數(shù)十億微型智能IoT設備。

如今，Arm?Cortex?-M系列MCU已經(jīng)成為TinyML應用最廣泛的平臺，它們能夠快速高效地執(zhí)行實時計算，價格便宜，可靠性高，響應速度快，且耗電很少。Cortex-M55處理器是Arm最具AI能力的Cortex-M處理器，它提供了增強、節(jié)能的DSP和ML性能。Ethos-U55 NPU是一種新的ML處理器，稱為microNPU，專門設計用于在面積受限的嵌入式和物聯(lián)網(wǎng)設備中加速ML推理。Ethos-U55與支持AI的Cortex-M55處理器相結合，使ML性能比現(xiàn)有基于Cortex-M的系統(tǒng)提高了480倍。

事實上，在2021年初，Raspberry Pi（樹莓派）就發(fā)布了第一塊微控制器板，這是市場上價格最實惠的開發(fā)板之一，售價僅為4美元。這款名為Raspberry Pi Pico，基于RP2040 MCU，內置功能強大的雙核Cortex-M0+處理器，能夠運行TensorFlow Lite Micro，很快我們就能看到該板的各種TinyML用例。

對于淹沒在海量數(shù)據(jù)中的決策者來說，TinyML好比是一個救星，它將邊緣的數(shù)據(jù)充分利用起來，使人們能夠更快地獲取正確的信息。此外，TinyML還通過在設備上處理數(shù)據(jù)并只傳輸關鍵信息來改善了人們普遍擔憂的隱私問題。

接下來，我們將看到一個擁有數(shù)萬億智能設備的新世界，這些智能設備有TinyML技術的支持，能夠感知、分析和自主行動，并將為我們創(chuàng)造一個更健康、更可持續(xù)的環(huán)境。

審核編輯：郭婷