随着AI迅速向边缘领域挺进，对智慧边缘元件的需求随之激增，而要在精巧尺寸的微控制器上部署强大的模型，仍是困扰众多开发者的难题，开发者需要兼顾资料预处理、模型选择、超叁数调整并针对特定硬体进行优化，学习曲线极为陡峭。因而，开发者希??能在微控制器等边缘元件和其他受限平台上轻松地建构和部署性能稳健、资源密集型的机器学习模型，而无需在复杂的程式码或硬体限制上耗费精力。

与CodeFusion Studio和ADI硬体无缝整合

由Analog Devices, Inc. (ADI)和Antmicro共同开发的AutoML for Embedded现已正式推出并整合在Kenning框架中。Kenning是一个不受硬体限制的开源平台，专注於对边缘装置上的AI模型进行优化、基准测试和部署。AutoML for Embedded旨在使嵌入式工程师、资料科学家等所有使用者都能轻松使用高效且可扩展的边缘AI。

AutoML for Embedded开启了全新可能，实现端对端机器学习流程的自动化，不仅让经验较少的开发者也能建构高品质模型，并能促进资深专家大幅提升实验效率。最终，开发者将获得高效的轻量级模型，不仅性能强大，并且不会超出装备的性能限制。

AutoML for Embedded是基於Kenning库所建构的Visual Studio Code外挂程式，旨在自然地融入开发者现有的工作流程。其与CodeFusion Studio进行了整合以支援：

· ADI MAX78002 AI加速器MCU和MAX32690：将模型直接部署到先进的边缘AI硬体。

· 模拟和RTOS工作流程：利用基於Renode的模拟和Zephyr RTOS，快速开发原型并进行测试。

· 通用开源工具：支援弹性的模型优化，避免平台锁定

透过详细的步骤教程、可重复的流程和范例资料集，即使没有资料科学背景的开发者也能以惊人的速度将原始资料转化为边缘AI应用，并完成部署。

为开发者而生，业界领导者鼎力支援

AutoML for Embedded是ADI与Antmicro深度合作的结晶，融合了深厚的硬体技术专长与开源创新。透过提供开放、以用户为中心、可扩展的工具集加速边缘AI在各产业的普及。

Antmicro业务开发??总裁Michael Gielda表示：「凭藉Kenning此一弹性的开源AI基准测试与部署框架，我们成功开发了自动化流程和VS Code外挂程式，大幅降低建构优化边缘AI模型的复杂度。其端对端开发服务的核心，在於基於经过验证的开源解决方案打造高效工作流程，协助客户实现对产品的全面掌控。凭藉Renode弹性的模拟能力，并与高度可配置的标准化Zepher RTOS进行无缝整合，现已能够使用Kenning框架中的AutoML来进行透明、高效的边缘AI开发。」

工作原理：技术揭秘

AutoML for Embedded采用先进的演算法，自动进行模型搜寻和优化。其利用SMAC（基於序列模型的演算法配置）高效探索模型架构和训练叁数，并应用Hyperband和逐次减半策略，将资源集中於最有潜力的模型。同时可根据装置RAM来核对模型大小，确保部署顺利进行。

候选模型可运用Kenning的标准流程进行优化、评估和基准测试，并生成关於模型大小、速度和精度的详细报告，为部署决策提供重要依据。

?

真实应用场景：典型案例

AutoML for Embedded正深刻改变边缘AI的开发模式。例如，在近期的一次展示中，开发者利用AutoML for Embedded在ADI MAX32690 MCU上成功创建因应感测器时间序列资料的异常检测模型。此模型在物理硬体和Renode数位孪生模拟平台上均进行了部署，并展现出良好的无缝整合和即时性能监测能力。

其他潜在应用包括：

· 在低功耗摄影机上进行图像分类和目标侦测

· 工业物联网感测器的预测性维护和异常检测

· 针对装置端文本分析的自然语言处理

· 体育赛事和机器人领域的即时动作识别

立即开始使用

AutoML for Embedded现已发布於Visual Studio Code Marketplace和GitHub

AutoML for Embedded on GitHub

GitHub上的AutoML for Embedded

诚挚邀请您探索此工具，分享您的回??，并与我们共塑边缘AI的未来。