機器學習（Machine learning；ML）技術為家庭、零售、工廠和城市帶來智慧，機器學習在不同環境下檢測模式、偵測異常並啟動回應。

邊緣是部署機器學習應用程式的理想選擇。與雲端處理不同，邊緣處理是即時完成的，更接近使用者，提供洞察和本地化決策允許更無縫、同步、高效的用戶體驗。

神經網路模型效率的提高和高速神經網路加速器的出現，正在幫助機器學習向邊緣轉移。一個可能性的好例示為恩智浦i.MX 8M Plus，為EdgeVerse產品組合的新生力軍。它提供專用機器學習硬體－神經處理單元（NPU），即使在最複雜的神經網路模型中也可以執行推斷。開發人員可以將機器學習推理功能從 NPU中登出，從而允許高性能Cortex-A和Cortex-M內核、DSP和GPU執行其他系統級或使用者應用任務。

圖一 : 神經網路模型效率的提高和高速神經網路加速器的出現，正在幫助機器學習向邊緣轉移。（source：elnfochips）

NPU與i.MX 8M Plus的雙圖像信號處理器（image signal processors；ISP） 和GPU相結合，可實現即時圖像處理應用，如監控、智慧零售應用、機器人視覺和居家健康監視器。

對於已經在工業、汽車和醫療領域使用i.MX處理器的工程師來說，使用i.MX 8M Plus處理器（或其他i.MX處理器）在邊緣應用中採用機器學習是很自然的一步。在恩智浦eIQ機器學習開發環境的支援下，工程師可以在CPU、GPU或NPU上運行機器學習模型之間無縫切換。

會在哪裡發現i.MX 8M Plus

i.MX 8M Plus在邊緣進行機器學習，可實現語音、臉部、揚聲器和手勢識別、物體檢測與分類、增強現實（augmented reality）、環境感測器和異常檢測控制。

嵌入式系統中的機器學習和視覺為人機無縫交互開闢了新的可能性。通過邊緣執行機器學習演算法，系統可以分析人們的行為，並檢測臉部細節，以估計人的性別、年齡、甚至情緒。將機器學習數據資料在邊緣進行處理可保護隱私、消除雲依賴性，並提供即時回應時間。

圖二 : 嵌入式系統中的機器學習和視覺為人機無縫交互開闢了新的可能性。

i.MX 8M Plus可實現公共安全、工業機器視覺、機器人、手勢和情感檢測方面的人和物體識別。當我們能使用手勢從自動售貨機中免觸式選擇所要的物品，這一功能的實現在當前COVID-19環境中將變得至關重要。

在醫療市場，基於邊緣的機器學習模組允許自動化、遠端測試和監控，具有快速決策和高可靠性。醫療專業人員可以通過監測呼吸和運動模式等數據，在需要時提供即時?明。

工廠自動化的驅動性不斷增強，整合更多基於視覺的系統是重要發展趨勢，i.MX 8M Plus 可滿足這一需求。在這些環境中，機器學習參與了檢查檢測、分析和處理邊緣數據。i.MX 8M Plus雙攝影輸入可檢查產品的多個角度，機器學習加速器可以經過訓練，以檢測出劣品。它也足以辨識操作者的手勢，也能操作與確定安全參數。

邊緣機器學習的未來

安全地處理在邊緣捕獲的大量數據並消除雲延遲的需求，正在推動從雲端處理導向在邊緣進行機器學習的運用。