ST breidt ondersteuning voor ML in STM32Cube.AI-ecosysteem uit

STMicroelectronics heeft de verscheidenheid aan machine learning-technieken die beschikbaar zijn voor gebruikers van de STM32Cube.AI-ontwikkelomgeving uitgebreid.

Met de verhuizing wordt extra flexibiliteit toegevoegd om uitdagingen op het gebied van classificatie, clustering en nieuwheidsdetectie zo efficiënt mogelijk op te lossen.

Naast de ontwikkeling van neurale netwerken voor edge-inferentie op STM32*-microcontrollers (MCU's), ondersteunt deze STM32Cube.AI-release (versie 7.0) nieuwe gesuperviseerde en semi-gesuperviseerde methoden die werken met kleinere datasets en minder CPU-cycli. Deze omvatten isolatiebos (iForest) en One Class Support Vector Machine (OC SVM) voor nieuwheidsdetectie en K-means en SVM Classifier-algoritmen voor classificatie die gebruikers nu kunnen implementeren zonder moeizame handmatige codering.

De toevoeging van deze klassieke machine learning-algoritmen bovenop neurale netwerken zal ontwikkelaars helpen hun uitdagingen sneller op te lossen door een snelle doorlooptijd mogelijk te maken met, volgens ST, gebruiksvriendelijke technieken voor het converteren, valideren en implementeren van verschillende soorten modellen op STM32-microcontrollers.

STM32Cube.AI is ontwikkeld om ontwerpers in staat te stellen machine learning-workloads van de cloud naar op STM32 gebaseerde edge-apparaten te sturen om de latentie te verminderen, energie te besparen, het cloudgebruik te vergroten en de privacy te beschermen door de gegevensuitwisseling via internet te verminderen.

Met deze extra flexibiliteit om de meest efficiënte machine learning-technieken te kiezen voor analyses op het apparaat, zullen STM32 MCU's geschikt zijn voor altijd actieve gebruiksscenario's en slimme batterij-aangedreven toepassingen.