ST расширяет поддержку машинного обучения в экосистеме STM32Cube.AI

STMicroelectronics расширила спектр методов машинного обучения, доступных пользователям среды разработки STM32Cube.AI.

Этот шаг предусматривает добавление дополнительной гибкости для максимально эффективного решения задач классификации, кластеризации и обнаружения новинок.

Этот выпуск STM32Cube.AI (версия 32) не только позволяет разрабатывать нейронные сети для пограничного вывода на микроконтроллерах (MCU) STM7.0 *, но и поддерживает новые контролируемые и частично контролируемые методы, которые работают с меньшими наборами данных и меньшим количеством циклов ЦП. К ним относятся изолирующий лес (iForest) и машина векторов поддержки одного класса (OC SVM) для обнаружения новизны, а также алгоритмы K-средних и SVM Classifier для классификации, которые пользователи теперь могут реализовать без трудоемкого ручного кодирования.

Добавление этих классических алгоритмов машинного обучения к нейронным сетям поможет разработчикам быстрее решать свои задачи, обеспечивая быстрое время выполнения работ с помощью простых в использовании методов преобразования, проверки и развертывания различных типов моделей, согласно ST. на микроконтроллерах STM32.

STM32Cube.AI был разработан, чтобы позволить дизайнерам переносить рабочие нагрузки машинного обучения из облака на периферийные устройства на основе STM32, чтобы уменьшить задержку, сэкономить энергию, увеличить использование облака и защитить конфиденциальность за счет сокращения обмена данными через Интернет.

Благодаря этой дополнительной гибкости, позволяющей выбирать наиболее эффективные методы машинного обучения для аналитики на устройстве, микроконтроллеры STM32 подходят для постоянно работающих сценариев и интеллектуальных приложений с батарейным питанием.