Maschinelle Lernlösungen von Microchip Technology
Die Leistungsfähigkeit des maschinellen Lernens (ML) ist nur so gut wie die Dateninputs und das Trainingsregime der Daten. Zudem kann es äußerst schwierig sein, ein ML-Trainingsmodell von Grund auf neu zu erstellen. In diesem Artikel erfahren Sie mehr über die breite Palette von hochwertigen Modellen, Produkten, Systemen und Lösungen für maschinelles Lernen, die von Microchip angeboten werden.
Erkunden Sie die hochmoderne Welt der Microchip Technology Machine Learning, in der Sie befähigt werden, fortschrittliche Modelle mühelos zu erstellen und umzusetzen. Egal, ob Sie sich in die Welt der Mikrocontroller-Einheiten (MCUs) und Mikroprozessor-Einheiten (MPUs) begeben oder spezielle Werkzeuge zur Bildklassifizierung und für Videoanwendungen suchen, diese umfassende Lösungssuite bietet Ihnen alles, was Sie benötigen.
Erstellen Sie Ihr eigenes Modell
MCU/MPU-Entwicklung mit der MPLAB® Machine Learning Development Suite
Beginnen Sie Ihre Reise in die Welt des maschinellen Lernens mit Microchips MPLAB® Machine Learning Development Suite, nahtlos integriert als Plugin in MPLAB® X IDE. Diese umfassende Lösung vereinfacht den gesamten Prozess – von der Datenerfassung bis hin zum Modellentest – und führt zu einem maßgeschneiderten Knowledge Pack für Microchip MCUs/MPUs.
Diese sorgfältig entwickelten Toolkits zur Bewertung des maschinellen Lernens sind speziell auf Anwendungen mit Inertialsensoren (IMU) ausgerichtet und konzentrieren sich auf die Analyse von Vibrationen und Sensordaten. Entdecken Sie die folgenden außergewöhnlichen Plattformen:
- Verfügt über das SAMD21G18 Arm® Cortex®-M0+ basierte 32-Bit-MCU.
- Ausgestattet mit einem integrierten Debugger (nEDBG), dem ATECC608A CryptoAuthentication™ Sicherheitsbaustein-IC und dem ATWINC1510 Wi-Fi® Netzwerkcontroller.
- Verfügt über das SAMD21G18 Arm Cortex-M0+ basierte 32-Bit-MCU.
- Enthält einen integrierten Debugger (nEDBG), das ATECC608A CryptoAuthentication-Sicherheitsbauelement-IC und den ATWINC1510 Wi-Fi-Netzwerkcontroller.
Curiosity Nano Evaluierungskit
Bring dein eigenes Modell mit
Wenn Sie ein vortrainiertes DNN-Modell haben, können Sie je nach Anwendungsfall entweder Microchip MPU oder FPGA verwenden.
Für Audio-/Bild-/Video-ML-Anwendungen mit niedrigerer Bildrate (MPUs):
- Konvertieren Sie TensorFlow-Modelle in TensorFlow Lite-Modelle mithilfe standardmäßiger APIs
- Nutzen Sie MPLAB Harmony V3, um die ML-Laufzeit-Engine (TensorFlow Lite-Modelle) und Peripheriegeräte nahtlos zu integrieren.
Für Videoanwendungen mit niedrigem Stromverbrauch und hoher Bildrate (FPGAs):
- Microchip-FPGAs bieten eine Nischenlösung für anspruchsvolle Anwendungen
- Nutzen Sie das VectorBlox™ Accelerator SDK, um hochentwickelte Deep Neural Networks einfach in TensorFlow Lite umzuwandeln – auch ohne vorherige FPGA-Design-Erfahrung.
Evaluierungswerkzeug-Kit
Erste Schritte
- Schritt 1: Installieren Sie das VectorBlox™ Software Development Kit (SDK) und lesen Sie den Programmierhandbuch
- Schritt 2: Wählen Sie zwischen der PolarFire® FPGA-Familie oder der PolarFire SoC FPGA-Familie
- Schritt 3: Wählen Sie das entsprechende Videokit aus und gehen Sie zur entsprechenden GitHub-Seite für Anweisungen zum Einrichten der VectorBlox-SDK-Umgebung:
- Schritt 4: Laden Sie Libero® SoC Design Suite 2023.1 herunter.
- Schritt 5: Generieren und Zusammenführen* der Libero SoC Design Suite Silver-Lizenz und der CoreVectorBlox-Lizenz
*Beziehen Sie sich auf Abschnitt 7.3 des Libero-Software Quick-Start-Leitfadens, um zu erfahren, wie Sie diese Lizenzen zusammenführen können.
Beschleunigen Sie Ihre Machine-Learning-Vorhaben mit Microchip Technology. Erleben Sie die Leistungsfähigkeit und Benutzerfreundlichkeit der Evaluierungskits und entfalten Sie das Potenzial des intelligenten Rechnens.
Evaluierungswerkzeugkasten
Referenzdesigns für MCU/MPUs:
Referenzdesigns für FPGAs:
Zusätzliche Ressourcen:
Artikel Tags
