利用 TI 的微控制器 (MCU) 进行数字识别
通过紧凑、低功耗的器件实现边缘 AI 数字识别，采用针对 MCU 解决方案进行了成本和功耗优化的模型
应用概述
边缘 AI 上的字符识别涉及在内存和功耗有限的硬件上从本地视觉数据中提取文本。主要挑战在于优化复杂的神经网络，使其能够在低成本的微控制器上实现实时推理。
关键应用：
- 工业物联网：自动读取铁牌、标签和库存标记。
- 智能器件：为可穿戴器件和电器实现基于手势的输入。
- 电网基础设施：对模拟仪表读数进行实时数字化处理。
开始评估
数据收集
MNIST（修改后的美国国家标准与技术研究院）数据集是针对手写字符识别的行业标准 "Hello World" 基准测试。它主要用于训练和测试图像处理系统以识别数字。
数据质量评估
核心数据规范内容：70,000 张包含单个手写数字 (0-9) 的灰度图像。
结构：分为 60,000 张训练图像和 10,000 张测试图像。
分辨率：每张图像为一个 28x28 像素的方形网格（每张图像总计 784 个像素）。
预处理：这些数字经过尺寸规范化并居中放置于固定大小的框架中，使简单算法处理它们比处理原始数据更容易。
图 1.1 - mnist 数据集
构建并训练模型
利用 CCStudio Edge AI Studio 加速开发，这是一个用于设计、训练和部署 AI 模型的直观图形化环境。
通过基于 GUI 的易用工作流程，探索并训练多种架构。用户还可以探索利用全面的 CLI 工具来修改和重新训练模型，以获得更好的性能和优化
寻找符合您需求的模型
我们采用开源的 LENET-5 模型，并针对我们的 NPU 进行了优化和量化，实现了 99% 的精度，延迟仅为 6.05ms
图 1.1 - 数字识别
部署模型
CCStudio™ Edge AI Studio 为将经过训练的模型部署到嵌入式目标提供了从起点到终点的完整工作流程。对于寻求更深入定制和控制的开发人员，请参阅部署指南，这些指南提供了一个全面的框架，助力在您自己的嵌入式应用中构建并集成边缘 AI 功能
- 使用 EdgeAI Studio GUI 工具在 MSPM0 微控制器上部署机器学习模型
- 使用 CLI 工具在 MSPM0 微控制器上部署机器学习模型
选择适合您的器件
| 产品型号 | 处理内核 | NPU 是否可用 | 时钟频率 (MHz) | PIR 基准测试指标 | ||
|---|---|---|---|---|---|---|
| 延时 (ms) | 闪存 (kB) | SRAM (kB) | ||||
| MSPM0G5187 | Arm® Cortex®-M0+ 内核 | 是 | 80 | 0.39 | 5.55 | 2.4 |
入门所需的所有硬件、软件和资源
硬件
LP-MSPM0G5187
MSPM0G5187 LaunchPad™ 开发套件评估模块。需要此模块来执行 EdgeAI 推理，使用 ADC 采集电流数据并在提取特征后传递到 AI 模型。
软件与开发工具
CCStudio™ Edge AI Studio
一款完全集成的无代码解决方案，用于训练和编译 PIR 运动检测模型，可部署到 TI 嵌入式微控制器器件上。
CLI 工具
使用此端到端模型开发工具，包含数据集处理、模型训练和编译功能
MSPM0-SDK
MSPM0 SDK 通过单个软件包提供软件、工具和文档的精选集合，可以加快 MSPM0 MCU 平台应用的开发。