AIfES, Gömülü Sistemler için Yapay Zeka’nın kısaltmasıdır ve mikrodenetleyiciler için açık kaynaklı bir makine öğrenimi çerçevesi olarak Fraunhofer Mikroelektronik Devreler ve Sistemler Enstitüsü (IMS) tarafından geliştirilmiştir. Bu makalede, bunun tinyML ve gömülü makine öğrenimi için ne anlama geldiğini öğrenmek için bize katılın!
AIfES ne sunuyor?
AIfES, popüler Python çerçeveleri TensorFlow, PyTorch ve Keras gibi platformdan bağımsız ve bağımsız bir AI çerçevesidir.
AIfES şu anda serbestçe yapılandırılabilen ileri beslemeli sinir ağlarının uygulamalarını içermektedir; ReLu, sigmoid ve softmax gibi yaygın aktivasyon fonksiyonlarının yanı sıra, Stokastik Gradyan İnişi (SGD) ve adam optimizasyonu gibi diğer çerçevelerde bulunan yaygın eğitim araçlarını da içermektedir – daha fazlası yolda.
Tamamen C dilinde yazılmış olan AIfES, hafif ve verimli bir performans sunarak, Arduino Uno gibi düşük seviye 8 bit mikrodenetleyicilerin bile sinir ağlarını çalıştırmasına olanak tanır. Ayrıca, yalnızca GNU Derleyici Koleksiyonu (GCC) tabanlı standart kütüphaneler kullandığı için, AIfES hemen hemen her türlü donanımda çalışabilir; Arduino gibi mikrodenetleyicilerden SBC’lere ve hatta cep telefonlarına kadar!
Mikrodenetleyicilerde gömülü makine öğrenimi son yıllarda büyük bir sıçrama yaptı, ancak AIfES iki belirli sorun noktasını iyileştiriyor:
- Makine öğrenimi modelleri, ayrı bir bilgisayarda cihaz dışı olarak eğitilmelidir. Cihazda eğitim ve ayarlama mümkün değildir.
- Çoğu tinyML uygulaması, daha ağır muadillerinin yalnızca optimize edilmiş versiyonlarıdır; bu da makine öğrenimi modellerini etkili bir şekilde çalıştırmak için nispeten güçlü mikrodenetleyicilerin hala gerekli olduğu anlamına gelir.
AIfES, mikrodenetleyici cihazlarda yerel, cihaz içi eğitime olanak tanıyacak, bu da kenar bilişim için büyük bir gelişme!
Kenar bilişimin faydaları birçok kişi tarafından iyi bilinmektedir, ancak AIfES’in sunduğu, dağıtılmış hesaplama için daha büyük bir araçtır. Artık, küçük, pil ile çalışan mikrodenetleyicileriniz bile verileri işleyebilir, bunlardan öğrenebilir ve kendi süreçlerini tamamen kendisi geliştirebilir!
Platformdan Bağımsız & Esnek Kullanım için Modüler
AIfES platformdan bağımsızdır, yani başka bir çerçevede eğitilmiş bir modelin yapısını ve ağırlıklarını kolayca içe aktarabilir ve daha fazla eğitim ve dağıtım için kullanabilirsiniz. Aynı zamanda, tek bir cihaz farklı modelleri çalışma zamanında yükleyebilir veya model bilgilerini buluta göndererek diğer farklı cihazlarla paylaşabilir – bu da kenar dağıtımı için geniş bir olasılık yelpazesi sunar!
Mikrodenetleyiciler için optimize edilmesinin yanı sıra, AIfES ayrıca makine öğrenimi modeline tahsis edilen bellek miktarını tanımlama gibi bellek yönetimi özelliklerini de içermektedir. Ayrıca, belirli işlemci ailelerinde mevcut olan hızlandırılmış donanımdan yararlanmak için modüler bir şekilde geliştirilmiştir; örneğin, daha hızlı derin öğrenme çıkarımı için ARM Cortex denetleyicilerinin CMSIS DSP özelliklerini kullanabilir.
AIfES Çerçevesinin Uygulamada Kullanımı
AIfES bir süredir geliştirilmekte ve uygulamada birkaç heyecan verici örneği bulunmaktadır. Örneğin, bu el yazısı tanıma sistemi Arduino Uno üzerinde çalışmaktadır veya bu jest tanıma sistemi – hepsi AIfES tarafından çalıştırılmakta ve etkinleştirilmektedir!
Daha dikkat çekici bir gösterim ise, tamamen AIfES ile eğitilmiş olan bu jest tanıma sistemi‘dir; bu sistem tamamen Arduino Nano 33 BLE Sense üzerinde eğitilmiştir! Aşağıdaki videoda, veri işleme tamamen mikrodenetleyicide gerçekleşmektedir: Bir “1” çizildiğinde, ilgili komut robot koluna gönderilmektedir!
Başlarken
AIfES, çift lisans modeli altında mevcuttur; tam detayları GitHub sayfalarında görebilirsiniz. İyi haber şu ki, çerçeve geliştiriciler ve özel projeler için ücretsizdir, bu nedenle onu denemek için elinize alabilirsiniz.
Yeni AIfES gömülü makine öğrenimi çerçevesi hakkında daha fazla bilgi edinmek istiyorsanız, Arduino GitHub deposunu kontrol edebilir veya Arduino kütüphane yöneticisinden indirebilir ve oynamaya başlayabilirsiniz!
Başlamak için, AIfES ayrıca Arduino uyumlu mikrodenetleyicilerde çalıştırılabilecek birçok örnek içermektedir. Çıkarım ve eğitim dışında, ayrıca mevcut bir modeli diğer çerçevelerden, özellikle Keras’tan nasıl içe aktaracağınızı da gösterir. Onları buradan görüntüleyebilirsiniz!