
Silicon Labs adopte l’approche TinyML d’Edge Impulse pour porter l'IA sur ses microcontrôleurs sans fil Après Eta Compute, Microchip et Nordic Semiconductor, c’est au tour d’un autre fabricant de microcontrôleurs, Silicon Labs en l’occurrence, d’annoncer une collaboration avec le californien Edge Impulse. Une société qui, tout comme Cartesiam, ONE Tech ou Qeexo, est lancée dans la course visant à apporter des capacités d’intelligence artificielle (IA) à des microcontrôleurs standard ...dans le cadre de la mouvance TinyML (Tiny Machine Learning). La collaboration engagée entre Silicon Labs et Edge Impulse vise à accélérer le développement et le déploiement de l’apprentissage automatique (ML, Machine Learning) sur les puces-systèmes EFR32 et les microcontrôleurs EFM32 sans fil de la société de semi-conducteurs. Plus précisément elle doit permettre aux développeurs de générer et d’exporter des modèles ML directement sur la cible à partir de l’environnement Simplicity Studio de Silicon Labs et ce en un clic, pour une mise en œuvre en quelques minutes, assure la société américaine. L’outil d’Edge Impulse permet d’implanter des algorithmes de classification d’images, de reconnaissance de sons et de détection de mouvements complexes sur des équipements de périphérie de réseau (edge) basse consommation et limités en capacité mémoire, résume Silicon Labs. En offrant la possibilité d’embarquer des modèles TinyML sur des circuits intégrés EFR32 et EFM32, comme les EFR32MG12, EFR32MG21 et EFM32GG11, la solution commune aux deux entreprises permet, outre l’apprentissage automatique, la collecte et le stockage de données issues de capteurs, le traitement avancé du signal et l’extraction de caractéristique, l’apprentissage de modèles de réseaux de neurones profonds (DNN) et le déploiement de code embarqué optimisé. L’outil d’Edge Impulse s’appuie notamment sur le compilateur Edge Optimized Neural (EON) censé réduire l’usage de la mémoire et le temps d’inférence lors de l'exécution de logiciels TinyML sur des dispositifs à semi-conducteurs à ressources limitées. « L'intégration de l’apprentissage automatique avec les outils de développement évolués et les solutions multiprotocoles de Silicon Labs ouvre aux utilisateurs de larges opportunités en matière de développement sans fil », s’est réjoui Zach Shelby, cofondateur et CEO d’Edge Impulse. A noter qu’à l’occasion de l’événement virtuel TinyML Summit 2021, qui se tient du 22 au 26 mars prochain, Edge Impulse va proposer une formation pour l'IA/ML reposant sur le kit de développement Silicon Labs Thunderboard Sense 2. Le kit comprend un microcontrôleur Cortex-M4, une grande variété de capteurs, un microphone, la connectivité Bluetooth Low Energy et un emplacement pour pile. Il sera possible d'échantillonner des données brutes, de créer des modèles et de déployer les modèles de machine learning entraînés directement depuis l’environnement Simplicity Studio, et même de diffuser les résultats de l’apprentissage automatique sur un smartphone au travers d’une liaison Bluetooth LE. Vous pouvez aussi suivre nos actualités sur la vitrine LinkedIN de L'Embarqué consacrée à l’intelligence artificielle dans l’embarqué : Embedded-IA Vous pouvez aussi suivre nos actualités sur la vitrine LinkedIN de L'Embarqué consacrée aux microcontrôleurs : Embedded-MCU

Silicon Labs adopte l’approche TinyML d’Edge Impulse pour porter l'IA sur ses microcontrôleurs sans fil

Après Eta Compute, Microchip et Nordic Semiconductor, c’est au tour d’un autre fabricant de microcontrôleurs, Silicon Labs en l’occurrence, d’annoncer une collaboration avec le californien Edge Impulse. Une société qui, tout comme Cartesiam, ONE Tech ou Qeexo, est lancée dans la course visant à apporter des capacités d’intelligence artificielle (IA) à des microcontrôleurs standard ...dans le cadre de la mouvance TinyML (Tiny Machine Learning).

La collaboration engagée entre Silicon Labs et Edge Impulse vise à accélérer le développement et le déploiement de l’apprentissage automatique (ML, Machine Learning) sur les puces-systèmes EFR32 et les microcontrôleurs EFM32 sans fil de la société de semi-conducteurs. Plus précisément elle doit permettre aux développeurs de générer et d’exporter des modèles ML directement sur la cible à partir de l’environnement Simplicity Studio de Silicon Labs et ce en un clic, pour une mise en œuvre en quelques minutes, assure la société américaine.

L’outil d’Edge Impulse permet d’implanter des algorithmes de classification d’images, de reconnaissance de sons et de détection de mouvements complexes sur des équipements de périphérie de réseau (edge) basse consommation et limités en capacité mémoire, résume Silicon Labs. En offrant la possibilité d’embarquer des modèles TinyML sur des circuits intégrés EFR32 et EFM32, comme les EFR32MG12, EFR32MG21 et EFM32GG11, la solution commune aux deux entreprises permet, outre l’apprentissage automatique, la collecte et le stockage de données issues de capteurs, le traitement avancé du signal et l’extraction de caractéristique, l’apprentissage de modèles de réseaux de neurones profonds (DNN) et le déploiement de code embarqué optimisé.

L’outil d’Edge Impulse s’appuie notamment sur le compilateur Edge Optimized Neural (EON) censé réduire l’usage de la mémoire et le temps d’inférence lors de l'exécution de logiciels TinyML sur des dispositifs à semi-conducteurs à ressources limitées.

« L'intégration de l’apprentissage automatique avec les outils de développement évolués et les solutions multiprotocoles de Silicon Labs ouvre aux utilisateurs de larges opportunités en matière de développement sans fil », s’est réjoui Zach Shelby, cofondateur et CEO d’Edge Impulse.

A noter qu’à l’occasion de l’événement virtuel TinyML Summit 2021, qui se tient du 22 au 26 mars prochain, Edge Impulse va proposer une formation pour l'IA/ML reposant sur le kit de développement Silicon Labs Thunderboard Sense 2. Le kit comprend un microcontrôleur Cortex-M4, une grande variété de capteurs, un microphone, la connectivité Bluetooth Low Energy et un emplacement pour pile. Il sera possible d'échantillonner des données brutes, de créer des modèles et de déployer les modèles de machine learning entraînés directement depuis l’environnement Simplicity Studio, et même de diffuser les résultats de l’apprentissage automatique sur un smartphone au travers d’une liaison Bluetooth LE.

Vous pouvez aussi suivre nos actualités sur la vitrine LinkedIN de L'Embarqué consacrée à l’intelligence artificielle dans l’embarqué : Embedded-IA

Vous pouvez aussi suivre nos actualités sur la vitrine LinkedIN de L'Embarqué consacrée aux microcontrôleurs : Embedded-MCU