6 Şubat 2024’te güncellendi
TinyML, gömülü bilgisayar alanında şu anda en popüler trendlerden biri olup, önümüzdeki on yılda piyasaya sürülmesi beklenen 2.5 milyar TinyML destekli cihaz ve sadece beş yıl içinde 70 milyar doları aşması öngörülen bir piyasa değeri ile dikkat çekiyor. Tüm bu heyecanın nedenini öğrenmek istiyorsanız ama nereden başlayacağınızı bilmiyorsanız, bu tek durak rehberi tam size göre. TinyML’nin ne olduğunu, sunduğu fırsatları ve herkesin bu heyecan verici alanda nasıl başlayabileceğini öğrenin!
TinyML Nedir?
Tiny Machine Learning (TinyML), düşük güç tüketen ve küçük boyutlu mikrodenetleyici cihazlar üzerinde ML modellerinin geliştirilmesi ve dağıtımına odaklanan bir makine öğrenimi alanıdır; örneğin bir Arduino gibi.
Makine öğrenimi, kendini geliştiren algoritmalar ve istatistiksel modeller geliştirmeyi amaçlayan bir bilgisayar sistemleri alanıdır. Bu, bir modelin analiz ettiği ve belirli bir görevde öğrenmek ve gelişmek için desenler çıkardığı büyük miktarda veri ile gerçekleştirilir. Bu görünüşte basit paradigma, tahmin, anomali tespiti ve bilgisayarla görme gibi karmaşık görevlerde çığır açan ilerlemelere yol açmıştır!
TinyML’nin Faydaları ve Önemi
TinyML neden bu kadar önemli, diye sorabilirsiniz? Basit – çünkü küçüktür!
TinyML modellerinin tasarlandığı mikrodenetleyiciler küçük ve enerji verimlidir; yıllarca pil gücüyle çalışabilir! Ayrıca, bu mikrodenetleyiciler tam boyutlu bilgisayarlar veya sunuculardan çok daha uygun fiyatlıdır, bu da onların küçük işletmeler veya bireyler için çok daha erişilebilir ve pratik olmasını sağlar. Bu güç verimliliği ve uygun fiyatın eşsiz kombinasyonu, TinyML’nin gömülü bilgisayar uygulamalarında, IoT gibi büyük ölçekli uygulamalar için mükemmel bir konumda olduğu anlamına gelir!
Aynı zamanda, TinyML, Edge AI olarak bilinen bir alt kümedir. Yerel alanlarda, bulut yerine, yerel hesaplama avantajlarından yararlanarak birkaç anahtar avantaj sunar, bunlar şunlardır:
- Gerçek zamanlı uygulamalar için yerel hesaplamanın düşük gecikmesi
- Uzak iletişim için daha düşük gereksinimlerden kaynaklanan azaltılmış bant genişliği maliyetleri
- Ağ bağlantısı kaybolduğunda bile devam eden mükemmel güvenilirlik
- Daha az iletim ve yerel veri depolama ile geliştirilmiş güvenlik
Edge AI, TinyML’ye benzer şekilde, makine öğrenimi modellerinin uç noktada dağıtılması ile ilgilidir. Ancak, tek kartlı bilgisayarlardan (SBC’ler) hatta edge sunuculara kadar daha güçlü donanımlar kullanılabilir. Edge AI hakkında daha fazla bilgi edinmek isterseniz, bunu önceki bir makalemde kapsamlı bir şekilde yazdım ve IoT’yi nasıl değiştirme potansiyeline sahip olduğunu da ele aldım – tam okumak için buraya tıklayın!
TinyML’nin Sınırlamaları
Mikrodenetleyiciler, en düşük performanslı SBC’lerden bile çok daha küçük olan kilobaytlarca RAM ve megabaytlarca belleğe sahiptir. Bu nedenle, TinyML ile mikrodenetleyicilerde çalıştırılabilecek model türlerinde sınırlamalar olması doğaldır; bu, daha güçlü cihazlar üzerindeki normal edge ML ile karşılaştırıldığında geçerlidir, örneğin bir Raspberry Pi veya Jetson Nano. Aşağıdaki tabloda bazı örnekler gösterilmektedir:
| ML Uygulamaları | Mikrodenetleyicilerde TinyML | SBC’ler / Sunucularda Edge ML |
| Tahmin ve Anomali Tespiti | Evet, sınırlı model boyutuyla | Evet |
| Görüntü Tanıma | Evet, daha düşük çözünürlük ve hızla | Evet, yüksek kaliteli donanımla gerçek zamanlı işleme |
| Ses Tanıma | Sadece anahtar / uyanma kelimesi tespiti | Tam doğal dil işleme (NLP) |
Gördüğünüz gibi, TinyML uygulamalarının en yaygın olanlarında bile dikkat etmeniz gereken bazı sınırlamalar vardır, özellikle model boyutu ve işleme hızı açısından. Örneğin, birçok katmandan oluşan derin sinir ağları kullanan doğal dil işleme, şu anda TinyML’nin erişiminde değildir. Yine de, TinyML’nin sunduğu erişilebilirlik ve güç verimliliği, çeşitli uygulamalar için son derece değerlidir; bunları yakında daha fazla paylaşacağım!
Yeni Başlayanlar için TinyML’yi Açıklama – Öğrenme ve Çıkarım
Geleneksel olarak, makine öğrenimi iki aşamada gerçekleşir – öğrenme ve çıkarım. Şu anda, TinyML yalnızca çıkarım işlemlerini gerçekleştirir.
Öğrenme sırasında, ML modeli, belirli bir görevde daha iyi bir sonuç elde etmek için aldığı verilere dayanarak iç yapılandırmalarını ayarlar. Bunu başarmak için, veriler model üzerinden ileriye doğru iletilir ve burada bir kayıp hesaplanır. Bu kayıptan gelen geri bildirim, ayarlamaların yapılabilmesi için model üzerinden geriye doğru iletilir. Bu, milyarlarca hatta trilyonlarca kez tekrarlanır! Hayal edebileceğiniz gibi, bu son derece kaynak yoğun ve bazı dizüstü bilgisayarlarda bile etkili bir şekilde gerçekleştirilmesi zor bir işlemdir; hele ki hesaplama kaynakları açısından büyük sınırlamalara sahip mikrodenetleyicilerde.
Not: Makine öğreniminde kayıp, yanlış bir sınıflandırma gibi kötü bir çıktı için bir ceza anlamına gelir. Eğitim sırasında, makine öğrenimi modelleri bu kaybı mümkün olduğunca azaltmak için ayarlamalar yapar. Bu şekilde, zamanla performansları artar.
Öte yandan, çıkarım, modelin giriş verileri üzerinde bazı sonuçlar çıkarmak için kullanılmasını ifade eder. Örneğin, bir hava durumu tahmincisine bazı sıcaklık veya nem değerleri sağlayarak yağmur yağma olasılığına dair bir tahmin alabiliriz. En son teknoloji makine öğrenimi modelleri hala etkili bir şekilde çalışmak için önemli miktarda donanıma ihtiyaç duysa da, kenarda hafif çıkarım için modelleri optimize etmek mümkündür – işte bu noktada TinyML devreye giriyor!
Daha net bir resim için, aşağıdaki infografiğe göz atın:
Özetlemek gerekirse, mevcut durumda TinyML, mikrodenetleyicilerde ML çıkarımı gerçekleştirmek için yalnızca hafif modeller kullanma kapasitesine sahiptir. Yani, TinyML’de herhangi bir türde eğitim yapmıyoruz; ancak bu, uzak bir gelecekte mümkün olabilir – kim bilir!
TinyML Uygulamaları
“Eğer bir sinir ağı modelini 1 mW altında bir enerji maliyetiyle çalıştırabiliyorsanız, bu tamamen yeni uygulamaların mümkün olmasını sağlar. Bu, biraz keyfi bir sayı gibi görünebilir, ancak somut terimlere çevirdiğinizde, bir madeni pil ile çalışan bir cihazın bir yıl ömrü olduğu anlamına gelir. Bu, herhangi bir ortamda sığabilecek kadar küçük ve insan müdahalesi olmadan faydalı bir süre çalışabilen bir ürün ortaya çıkarır.” – Pete Warden, TensorFlow Mobile Teknik Lideri
“`html
TinyML uygulamaları, boyut ve güç kısıtlamaları olan gömülü uygulamalarda mükemmel performans gösterir. Parmak ucunuz kadar küçük mikrodenetleyicilerle ve uzun süreli çalışmalara rağmen sınırlı güç tüketimi ile, TinyML birçok senaryoda her zaman açık akıllı uygulamalar oluşturmak için kolayca uygulanabilir; bu uygulamalar tahminler yapar, karmaşık verileri işler ve çözümler sunar!
Öngörücü Bakım
TinyML ile endüstriyel makineleri güncelleyerek, bir makinenin performans özelliklerini izleyebilir ve arızadan önce bakım yapabiliriz. Bu, ekipman arıza süresini ve onarım maliyetlerini en aza indirir, bu da hem iş gelirini hem de iş yeri güvenliğini artırır.
Örneğin, bazı madencilik şirketleri, malzeme taşıma operasyonlarını kolaylaştırmak için demiryolu araçlarındaki tekerlekler, rulmanlar ve akslardaki arızaları tahmin etmek için TinyML kullanıyor. Operasyonel sorunları zarar görmeden çözmek için en az bir haftalık rahat bir zaman dilimi ile, planlanmamış bakım olayları %50 oranında azaltıldı – bu da beş yıl içinde yaklaşık 34 milyon dolarlık tasarruf anlamına geliyor.
Akıllı Tarım
TinyML, hassas tarımda ürün büyümesini artırmak için çevresel faktörlerin gerçek zamanlı analizini sağlayarak akıllı tarım tekniklerinin performansını artırır. Otonom seraların artışıyla birlikte, TinyML, geçmiş verilerden öğrenerek ürün verimini maksimize eden kararlar almada tarım uzmanlarına yardımcı olmaktadır. Öte yandan, TinyML cihazlarını bireysel hayvanların koşullarını ve davranışlarını analiz etmek için kullanarak, sağlık durumları hakkında akıllıca sonuçlar çıkarabiliriz.
Akıllı Şehirler
TinyML, hemen hemen her yere dağıtılabilen küçük, düşük güç tüketen cihazlarla akıllı şehirlerin geliştirilmesinde kritik bir rol oynayacaktır. Bu akıllı cihazlar, trafiği izlemek ve optimize etmek, karbon ayak izlerini analiz etmek veya hatta görsel tabanlı güvenlik sistemleri geliştirmek için kullanılabilir. Örneğin, trafik kavşaklarına TinyML eklenmesi, yol trafiğini gerçek zamanlı olarak optimize etmeyi mümkün kılabilir. IoT’nin birbirine bağlılığından daha fazla yararlanarak, bu şehirlerdeki bu tür faydalar ağ etkisiyle katlanarak artabilir!
Talep Üzerine Sağlık Hizmetleri
TinyML, sürekli, talep üzerine sağlık hizmetleri sağlamakta önemli bir rol oynamaktadır. Örneğin, hareket tabanlı düşme dedektörleri, çocuklar veya yaşlılar için düşme durumlarını tanıyabilirken, anahtar kelime algılama yardım çağrılarını tespit edebilir. Dahası, TinyML, kırsal alanlarda sınırlı sağlık hizmetlerini tamamlamak için kullanılabilecek talep üzerine tıbbi tanılarda uygun fiyatlı çözümler sunmaktadır.
TinyML için Yazılım – Çerçeveler & Platformlar
Özel donanım TinyML için henüz gelişme aşamasında iken, mevcut uygulamaların çoğu, makine öğrenimi modellerini optimize etmek için yazılıma büyük ölçüde bağımlıdır. İşte kesinlikle bilmeniz gereken bazı çerçeveler ve platformlar!
SenseCraft AI
SenseCraft AI, kodsuz/düşük kodlu bir şekilde kolay AI modeli eğitimi ve dağıtımı sağlayan bir platformdur. Seeed ürünlerini yerel olarak destekler, eğitilen modellerin Seeed ürünlerine tam uyumunu sağlar. Ayrıca, bu platform aracılığıyla modellerin dağıtılması, web sitesinde tanımlama sonuçlarının anında görselleştirilmesini sağlar, bu da model performansının hızlı bir şekilde değerlendirilmesine olanak tanır.
TinyML uygulamaları için ideal olan bu platform, cihazı bağlayarak, bir model seçerek ve tanımlama sonuçlarını görüntüleyerek, raf ürünleri veya özel AI modellerini zahmetsizce dağıtmanıza olanak tanır.
TensorFlow Lite Micro
TensorFlow, makine öğrenimi modellerini hızlı bir şekilde geliştirmeye yardımcı olan Google’ın açık kaynaklı makine öğrenimi çerçevesidir. TinyML için, mikrodenetleyiciler için özel bir TensorFlow versiyonu olan TensorFlow Lite Micro mevcuttur. TFLite Micro, C++ 11 ile yazılmıştır ve 32-bit bir platform gerektirir, çoğunlukla Arm Cortex-M Serisi işlemcileri ile uyumludur. Ayrıca bir ESP32 portu da mevcuttur.
TFLite Micro, normal TensorFlow modellerini sadece birkaç kilobyte’a kolayca sıkıştırmanıza olanak tanır ve çeşitli TinyML temellerini ve yeteneklerini göstermek için Hello World veya Magic Wand gibi birçok örnek model ile birlikte gelir. Ayrıca, Arduino Nano BLE 33 Sense ve kendi Wio Terminal’ımız gibi birçok popüler mikrodenetleyiciyi destekler.
TinyML alanı hala nispeten yeni ve deneysel olsa da, TensorFlow Lite Micro en popüler kullanılan çerçevelerden biridir, bu da kendi projelerinizde önemli bir topluluk deneyimi ve desteğinden yararlanabileceğiniz anlamına gelir.
Edge Impulse
Edge Impulse, TinyML uygulamalarının geliştirilmesine özel olarak odaklanan bir platformdur. Kullanımı kolay web tabanlı arayüzü ile Edge Impulse, verileri toplamak, bir modeli eğitmek ve nihayetinde bir mikrodenetleyiciye dağıtmak için herkes için en kolay çözüm olarak kabul edilebilir. En iyi yanı, geliştiriciler için ücretsiz olmasıdır, ancak oluşturabileceğiniz proje sayısı ve hesaplama süresi üzerinde bazı sınırlamalar vardır.
“““html
Edge Impulse ile TinyML geliştirmek, TFLite for Microcontrollers’a kıyasla %25-55 daha az RAM ve %35 daha az depolama ile çalışan bir sinir ağı çalıştırabilen Edge Optimised Neural (EON) derleyicisinden yararlanmanızı sağlar – bu önemli bir nokta!
TFLite Micro gibi, Edge Impulse da Arduino Nano 33 BLE Sense ve Wio Terminal’ı da içeren önemli bir mikrodenetleyici ve geliştirme kartları listesine destek vermektedir. Desteklenen cihazlar, birkaç dakika içinde veri setlerini kolayca kaydedip yükleyebilir, ancak diğer cihazlar da biraz daha fazla çaba ile veri aktarımcısını kullanarak aynı işlemi gerçekleştirebilir.
OpenMV
OpenMV, bu sefer bilgisayarla görme uygulamalarına odaklanan başka bir TinyML geliştirme platformudur. Bu, nesne tanıma veya görüntü sınıflandırma gibi her türlü görüntü veya video üzerine uygulanan makine öğrenimini içerir. Platform, ARM Cortex M7 işlemcisi üzerinde çalışan ve Micropython ile programlanabilen OpenMV Cam H7 etrafında inşa edilmiştir.
Ayrıca, OpenMV, güçlü bir kod editörü, hata ayıklama terminali ve histogram görüntüleme özellikli bir framebuffer görüntüleyici içeren çoklu platform destekli bir IDE sunmaktadır – bunların hepsi TinyML’de bilgisayarla görme uygulamaları geliştirmek için ana bileşenlerdir! Daha önce OpenMV hakkında kapsamlı bir makale paylaştık, bu yüzden burada daha fazla ayrıntıya girmeyeceğim. Eğer ilgileniyorsanız, buraya tıklayın daha fazla bilgi edinmek için!
TinyML için Donanım
TinyML için donanım söz konusu olduğunda, Arduino Nano 33 BLE Sense birçok kişi tarafından de facto standart olarak kabul edilmektedir. 1MB flaş ve 256KB RAM ile 32-bit ARM Cortex-M4F mikrodenetleyicisinden önemli bir hesaplama gücü ile birlikte, çeşitli uygulamaları ele almak için kullanılabilecek birçok yerleşik sensör, mikrofon ve bluetooth barındırmaktadır.
Ancak, belirli gereksinimlerinize bağlı olarak, aşağıdaki ürünlerden bazılarını değerlendirmeniz daha iyi olabilir. Hadi gidelim!
Grove – Vision AI Modülü V2
Himax WiseEye2 HX6538 işlemcisi ile güçlendirilmiş bir MCU tabanlı görsel AI modülüdür ve rm Cortex-M55 ile Ethos-U55 içermektedir. vektör veri işleme için ince bir şekilde optimize edilmiş Arm Helium teknolojisini entegre eder, bu da:
- Ödüllü düşük güç tüketimi
- DSP ve ML yeteneklerinde önemli bir artış
- Pil ile çalışan uç nokta AI uygulamaları için tasarlanmıştır
Tensorflow ve Pytorch çerçevelerini destekleyerek, kullanıcıların hem hazır hem de özel AI modellerini Seeed Studio SenseCraft AI‘dan dağıtmasına olanak tanır. Ayrıca, modül, Seeed Studio XIAO, Grove, Raspberry Pi, BeagleBoard ve ESP tabanlı ürünler gibi popüler ürünlerle kolay entegrasyon sağlayan IIC, UART, SPI ve Type-C gibi bir dizi arayüz sunmaktadır.
Seeed Studio XIAO ESP32S3 Sense & Seeed Studio XIAO nRF52840 Sense
Seeed Studio XIAO Serisi, benzer bir donanım yapısına sahip, parmak boyutunda küçücük geliştirme kartlarıdır. Burada kod adı “XIAO”, yarı özelliği “Tiny”yi temsil ederken, diğer yarısı “Puissant” olacaktır.
Seeed Studio XIAO ESP32S3 Sense, bir OV2640 kamera sensörü, dijital mikrofon ve SD kart desteği entegre etmektedir. Gömülü ML hesaplama gücü ve fotoğrafçılık yeteneğini birleştirerek, bu geliştirme kartı, akıllı ses ve görsel AI ile başlamanız için harika bir araç olabilir.
Seeed Studio XIAO nRF52840 Sense, Bluetooth 5.0 kablosuz yeteneği taşımakta ve düşük güç tüketimi ile çalışabilmektedir. Yerleşik IMU ve PDM ile, gömülü Makine Öğrenimi projeleri için en iyi aracınız olabilir.
Buraya tıklayın XIAO ailesi hakkında daha fazla bilgi edinmek için!
Arduino Nano RP2040 Connect
Arduino’nun en son Nano RP2040 Connect modeli, tanıdık Nano form faktörünü benimsemekte ve Raspberry Pi’nin RP2040 mikrodenetleyicisi etrafında inşa edilmiştir ve sesli projeler için bir mikrofon gibi ek bağlantı ve sensör çevre birimleri ile donatılmıştır!
“`
En heyecan verici özelliği, hareket algılama gerektiren uygulamalar için son derece çok yönlü olabilen AI destekli 6 eksenli IMU’yu taşımaktadır. Bu uygulamalar arasında adım sayma, serbest düşüş algılama, dokunma algılama, 6D yönlendirme ve daha fazlası bulunmaktadır! Ayrıca, hem WiFi hem de BLE bağlantısı sağlayan yerleşik u-blox NINA-W102 radyo modülü sayesinde Nano RP2040 Connect’i IoT projelerine kolayca entegre edebilirsiniz!
Wio Terminal
Wio Terminal, TinyML ve IoT ile başlamanız için tam bir AI platformudur – çeşitli mikrodenetleyiciler için yüksek uyumluluk sağlayan 120MHz’de çalışan ATSAMD51P19 ve ARM Cortex-M4F etrafında inşa edilmiştir. Entegre WiFi ve Bluetooth’a ek olarak, her türlü uygulamayı ele almak için yerleşik 2.4” LCD Ekran, IMU, mikrofon, buzzer, microSD kart yuvası, ışık sensörü ve kızılötesi vericiye sahiptir.
Wio Terminal, Edge Impulse ve TensorFlow Lite tarafından resmi olarak desteklenmektedir, bu da onunla ML uygulamaları tasarlayıp dağıtmanın son derece kolay olduğu anlamına geliyor! Ayrıca, donanım, yazılım ve öğrenme kaynaklarıyla sonsuz olasılıkları keşfedebileceğiniz AI’nin Merhaba Dünyası sayfamızın lansmanını duyurmaktan da heyecan duyuyoruz – herkesin kullanabileceği Wio Terminal ile TinyML kursu gibi!
TinyML Öğrenin – Ders Kitapları ve Kaynaklar
TinyML öğrenmenize yardımcı olabilecek sayısız kaynak bulunmaktadır; bunlar ders kitaplarından kurslara kadar çeşitlilik göstermektedir.
“TinyML” teriminin ilk kez Pete Warden tarafından TinyML: TensorFlow Lite ile Arduino ve Ultra Düşük Güçlü Mikrodenetleyicilerde Makine Öğrenimi adlı kitabında kullanıldığını biliyor muydunuz? Ne yazık ki kitap ücretsiz değil, ancak TinyML’nin kavramsal kökenlerinden uygulama için pratik adımlara kadar her şeyi kapsıyor ve başlamanız için kapsamlı ve içgörülü bir rehberdir. Kitap hakkında daha fazla bilgi almak için bu bağlantıya göz atabilirsiniz!
Harvard’ın TinyML Serisi edX’te
Gerçekten popüler bir başka kaynak seti de Harvard Üniversitesi’nin TinyML kursları serisidir; bu seri, TinyML modellerinin temellerini, uygulamalarını ve nihayetinde dağıtımını kapsar. En iyi kısım? Bu kurslar, hevesli öğreniciler için tamamen ücretsizdir – ancak kursu tamamladıktan sonra bir sertifika almak isterseniz, ödeme yapmayı seçebilirsiniz. Artık herkes bir TinyML uzmanı olabilir!
Tam kurs detaylarına edX’te göz atmak için buraya tıklayın!
Wio Terminal ile TinyML Öğrenin!
Son olarak, kendi ücretsiz kursumuzu, Wio Terminal ile TinyML Öğrenin! Seeed’de, IoT entegrasyonunu hızlandırmak, endüstriyel çözümler ve kenar AI uygulamaları için en entegre platform olma konusunda son derece kararlıyız. Adım adım dersler ve referans alabileceğiniz 5 tam proje ile Wio Terminal’i entegre bir TinyML platformu olarak keşfetmeyi öğrenin!
Ayrıca, aşağıda listelenen Wio Terminal ve Arduino IDE kullanarak TinyML öğrenme serisindeki bu 5 projeye de erişebilirsiniz; bu projelerin her biri için bireysel blog yazıları web sitemizde mevcut. Artık öğrenmeye kolayca başlayabilirsiniz!
- Wio Terminal ve Arduino IDE kullanarak TinyML Öğrenin #1 – Giriş
- Wio Terminal ve Arduino IDE kullanarak TinyML Öğrenin #2 – Ses Ortamı Tanıma ve Mobil Bildirimler
- Wio Terminal ve Arduino IDE kullanarak TinyML Öğrenin #3 – İnsan Sayma ve Azure IoT Central Entegrasyonu
- Wio Terminal ve Arduino IDE kullanarak TinyML Öğrenin #4 – Mikrodenetleyiciler için TensorFlow Lite ile Hava Tahmini
- Wio Terminal ve Arduino IDE kullanarak TinyML Öğrenin #5 – Yeni Blynk IoT Platformu ile Tahmine Dayalı Bakım için Anomali Tespiti
TinyML Topluluğunda
TinyML alanı, nispeten genç olmasına rağmen, dünya çapında hevesli geliştiricilerin önemli ilgisini çekmiştir. Önemli bir etkinlik, tinyML© Zirvesi’dir; bu zirve, küresel tinyML topluluğundaki teknik uzmanları ve üst düzey karar vericileri bir araya getirerek en son teknolojileri ve çözümleri tartışmak için bir araya getirir. Bu yıl 22-24 Nisan tarihleri arasında tinyML© Zirvesi, öncü tedarikçiler, ileri görüşlü son kullanıcılar, yaratıcı mühendisler ve vizyoner iş liderlerinin bir araya gelip fikir alışverişinde bulunacakları en iyi buluşma yeri olacaktır. Şimdi katılın ve Tiny ML’nin potansiyelini keşfedin!
Topluluk Projeleri
TinyML topluluğu sadece profesyonellerle sınırlı değil – dünya genelindeki hobi sahipleri, daha önce deneyimi olmayanlar bile, yenilikçi ve eğlenceli projeler yaratarak TinyML’nin büyüleyici olanaklarını keşfediyor. Aşağıdakiler, nelerin mümkün olduğuna dair bir fikir vermek için sadece birkaç örnektir. Daha fazla topluluk projesi keşfetmek için Hackster veya Instructables gibi platformlardaki çeşitli katkıları inceleyebilirsiniz. Ayrıca Seeed’in bloglarını okuyarak TinyML topluluk projeleri hakkında bilgi edinebilirsiniz.
- XIAO ESP32S3 Sense ile Seyahat Güvenliğini Güçlendirme, XIAO için Yuvarlak Ekran ve TinyML: Anlık Uyarılar ve Konum Talebi için AI Destekli Anahtarlık Tespiti
- Yılan Tanıma Sistemi: TinyML için LoRaWAN ve XIAO ESP32S3 Sense Kullanımı
- NMCS: Ses ve Görü Sınıflandırması ile Kahve Deneyiminizi Güçlendirme
- IoT Destekli Ağaç Hastalığı Tespiti: Görü AI, Wio Terminal ve TinyML Kullanımı
- Yaban Hayatı İzlemeyi Devrim Niteliğinde Yenileme: XIAO ESP32S3 Sense ve Wio E5 Modülü ile TinyML, IoT ve LoRa Teknolojileri
- Grove-Vision AI Modülünü Kullanan Yenilikçi Topluluk Projeleri: 11 İlham Verici Hikaye
Kokuları Tespit Eden Yapay Burun
Belirli gazları özel sensörler yardımıyla tespit etmek oldukça basit, ancak farklı gaz kombinasyonları genellikle gerçek dünyada farklı sonuçlar gösterir. Tüm olasılıkları zor programlama ile hesaba katmak çok karmaşık olduğundan, Benjamin Cabe, kahve, viski ve daha fazlası gibi farklı kokuları tanıyabilen TinyML destekli bir yapay burun yaratmaya karar verdi!
Gerekli Malzemeler:
Daha fazla keşfetmek ister misiniz? Bu projeye göz atarak Benjamin’in GitHub reposunda tinkering yapabilirsiniz buradan!
Wio Terminal & Edge Impulse ile El Yazısı Tanıma Oluşturma
Sadece bir mesafe sensörü ile el yazısı tanımanın mümkün olduğunu düşünüyor musunuz? Cevap, aslında, kısmen! Bu proje, sadece bir ToF sensöründen alınan zaman serisi verileri üzerinde makine öğrenimi kullanarak el yazısı hareket desenlerini tanımaktadır! Bu, kesinlikle bir kavram kanıtı projesidir ve gerçek uygulamadan uzaktır, ancak umarım bu, kendi projeniz için çılgın fikirler düşünmenizi teşvik eder!
Gerekli Malzemeler:
Bunu kendiniz denemek isterseniz, tam adım adım öğreticiye buradan ulaşabilirsiniz!
Birinin nefesindeki fungal pnömoni belirtilerini, hastalığın belirteçleri olan Uçucu Organik Bileşenleri tespit ederek bulabilen bir cihaz
Termal Görüntüleme ile Sulama Seviyesi Değerlendirmesi w/ TensorFlow
Termal görüntüleme ile sulama seviyesi verilerini toplayın, bir sinir ağı modeli oluşturun ve eğitin ve modeli doğrudan Wio Terminal üzerinde çalıştırın.
Özet & Daha Fazla Kaynak
Bu TinyML için tek durak rehberinde, TinyML’nin ne olduğu, faydaları, uygulamaları ve bir sonraki akıllı uygulamanızı gerçekleştirmenize yardımcı olabilecek çeşitli kaynakları kapsadık! Donanım, yazılım veya öğrenme kaynakları olsun, umarım nereden başlayacağınız konusunda daha net bir fikir edinmişsinizdir ve TinyML’nin heyecan verici dünyasına girmeye heveslisinizdir! Başka sorularınız mı var? Aşağıda bana bildirmekten çekinmeyin!
Sonuç olarak, daha fazla bilgi edinmek için aşağıdaki kaynakları ziyaret etmenizi şiddetle öneririm!
- Edge AI – Nedir ve Edge IoT için Ne Yapabilir?
- Edge Makine Öğrenimi için Donanım Nasıl Seçilir!
- Edge Sunucu Nedir? – Edge Hesaplama Gömülü Sistemler
- Wio Terminal’i Keşfedin – AI’nin Merhaba Dünyası
- Wio Terminal için Kaynak Toplama – Topluluktan Eğitimler, İncelemeler ve Projeler
Wio Terminal Serisi ile TinyML Öğrenin
- Wio Terminal ve Arduino IDE ile TinyML Öğrenin #1 – Giriş
- Wio Terminal ve Arduino IDE ile TinyML Öğrenin #2 – Ses Sahnesi Tanıma ve Mobil Bildirimler
- Wio Terminal ve Arduino IDE ile TinyML Öğrenin #3 – İnsan Sayma ve Azure IoT Central Entegrasyonu
- Wio Terminal ve Arduino IDE ile TinyML Öğrenin #4 – Mikrodenetleyiciler için Tensorflow Lite ile Hava Tahmini, yani Ben sadece verileri severim
- Wio Terminal ve Arduino IDE ile TinyML Öğrenin #5 – Yeni Blynk IoT Platformu ile Öngörücü Bakım için Anomali Tespiti