中國，北京，2025年7月17日——隨著AI迅速向邊緣領(lǐng)域挺進(jìn)，對智能邊緣器件的需求隨之激增。然而，要在小尺寸的微控制器上部署強(qiáng)大的模型，仍是困擾眾多開發(fā)者的難題。開發(fā)者需要兼顧數(shù)據(jù)預(yù)處理、模型選擇、超參數(shù)調(diào)整并針對特定硬件進(jìn)行優(yōu)化，學(xué)習(xí)曲線極為陡峭。因而，開發(fā)者肯定希望能夠在微控制器等邊緣器件和其他受限平臺(tái)上，輕松地構(gòu)建和部署性能穩(wěn)健、資源密集型的機(jī)器學(xué)習(xí)模型，而無需在復(fù)雜的代碼或硬件限制上耗費(fèi)精力。

近日我們滿懷欣喜地宣布，由Analog Devices, Inc. (ADI)和Antmicro共同開發(fā)的AutoML for Embedded現(xiàn)已正式推出，集成在Kenning框架中。Kenning是一個(gè)不受硬件限制的開源平臺(tái)，專注于對邊緣設(shè)備上的AI模型進(jìn)行優(yōu)化、基準(zhǔn)測試和部署。AutoML for Embedded旨在讓嵌入式工程師、數(shù)據(jù)科學(xué)家等所有用戶都能輕松使用高效且可擴(kuò)展的邊緣AI。

AutoML for Embedded開啟了全新可能，實(shí)現(xiàn)了端到端機(jī)器學(xué)習(xí)流程的自動(dòng)化，不僅讓經(jīng)驗(yàn)較少的開發(fā)者也能構(gòu)建高質(zhì)量模型，還能助力資深專家大幅提升實(shí)驗(yàn)效率。最終，開發(fā)者將獲得高效的輕量級模型，不僅性能強(qiáng)大，而且不會(huì)超出設(shè)備的性能限制。

與CodeFusion Studio?和ADI硬件無縫集成

AutoML for Embedded是基于Kenning庫構(gòu)建的Visual Studio Code插件，旨在自然地融入開發(fā)者現(xiàn)有的工作流。它與CodeFusion Studio?進(jìn)行了集成，能夠支持：

ADI MAX78002 AI加速器MCU和MAX32690：將模型直接部署到先進(jìn)的邊緣AI硬件。

仿真和RTOS工作流：利用基于Renode的仿真和Zephyr RTOS，快速開發(fā)原型并進(jìn)行測試。

通用開源工具：支持靈活的模型優(yōu)化，避免平臺(tái)鎖定。借助詳細(xì)的分步教程、可復(fù)現(xiàn)的流程和示例數(shù)據(jù)集，即使沒有數(shù)據(jù)科學(xué)背景，開發(fā)者也能以驚人的速度將原始數(shù)據(jù)轉(zhuǎn)化為邊緣AI應(yīng)用并完成部署。

專為開發(fā)者打造，行業(yè)巨頭鼎力支持

AutoML for Embedded是ADI與Antmicro深度合作的結(jié)晶，融合了深厚的硬件技術(shù)專長與開源創(chuàng)新。我們致力于提供開放、以用戶為中心、可擴(kuò)展的工具集，加速邊緣AI在各行各業(yè)的普及。

Antmicro業(yè)務(wù)開發(fā)副總裁Michael Gielda表示：“依托Kenning這一靈活的開源AI基準(zhǔn)測試與部署框架，我們成功開發(fā)了自動(dòng)化流程和VS Code插件，大幅降低了構(gòu)建優(yōu)化邊緣AI模型的復(fù)雜度。我們端到端開發(fā)服務(wù)的核心在于，基于經(jīng)過驗(yàn)證的開源解決方案打造高效工作流，幫助客戶實(shí)現(xiàn)對產(chǎn)品的全面掌控。憑借Renode靈活的仿真能力，并與高度可配置的標(biāo)準(zhǔn)化Zepher RTOS進(jìn)行無縫集成，現(xiàn)在已經(jīng)能夠使用Kenning框架中的AutoML進(jìn)行透明、高效的邊緣AI開發(fā)?！?

工作原理：技術(shù)揭秘

AutoML for Embedded采用先進(jìn)的算法，自動(dòng)進(jìn)行模型搜索和優(yōu)化。它利用SMAC（基于序列模型的算法配置）高效探索模型架構(gòu)和訓(xùn)練參數(shù)，并應(yīng)用Hyperband和逐次減半策略，將資源集中于最有潛力的模型。同時(shí)，它會(huì)根據(jù)設(shè)備RAM來核對模型大小，確保部署順利進(jìn)行。

候選模型可利用Kenning的標(biāo)準(zhǔn)流程進(jìn)行優(yōu)化、評估和基準(zhǔn)測試，并生成關(guān)于模型大小、速度和精度的詳細(xì)報(bào)告，為部署決策提供重要依據(jù)。

真實(shí)應(yīng)用場景：典型用例

AutoML for Embedded正在深刻改變邊緣AI的開發(fā)模式。例如，在近期的一次演示中，開發(fā)者利用AutoML for Embedded，在ADI MAX32690 MCU上成功創(chuàng)建了面向傳感器時(shí)間序列數(shù)據(jù)的異常檢測模型。此模型在物理硬件和Renode數(shù)字孿生仿真平臺(tái)上都進(jìn)行了部署，展現(xiàn)出良好的無縫集成和實(shí)時(shí)性能監(jiān)控能力。

其他潛在應(yīng)用包括：

?低功耗攝像頭上的圖像分類和目標(biāo)檢測

?工業(yè)物聯(lián)網(wǎng)傳感器的預(yù)測性維護(hù)和異常檢測

?面向設(shè)備端文本分析的自然語言處理

?體育賽事和機(jī)器人領(lǐng)域的實(shí)時(shí)動(dòng)作識別

立即開始使用

AutoML for Embedded現(xiàn)已在Visual Studio Code Marketplace和GitHub上發(fā)布

Visual Studio Marketplace中的AutoML for Embedded

GitHub上的AutoML for Embedded

歡迎積極試用，分享反饋意見，與我們共塑邊緣AI的未來。

有興趣將AutoML for Embedded引入您的應(yīng)用項(xiàng)目？我們期待與積極挖掘邊緣智能潛能的客戶攜手合作。如果您正在開發(fā)AI應(yīng)用，想要獲得在嵌入式設(shè)備上優(yōu)化或部署模型的相關(guān)支持，歡迎與我們聯(lián)系。