Découvrez pourquoi NanoEdge AI Studio est la solution leader du marché du EDGE AI

Le logiciel PC NanoEdge AI Studio est un moteur de recherche de bibliothèques d’IA, conçu pour les développeurs embarqués.

Grâce à NanoEdge AI Studio, trouvez la meilleure bibliothèque d’IA pour votre projet embarqué, et incorporez des fonctionnalités de machine learning directement dans le code C de votre microcontrôleur.

Documentation, tutoriels, vidéos, FAQ et bien plus encore...

Fonctionnalités
NanoEdge AI Studio

Compatible avec Windows 10
et Ubuntu

Vos données ne sont jamais envoyées  dans un cloud 🙂

Dédié aux développeurs embarqués

Les bibliothèques fonctionnent sur tous les microcontrôleurs Arm Cortex-M

Contrôle automatique de la qualité des données

Automatisation de la recherche des meilleurs modèles d’IA

Collecte et import des données en « live » via port Serie

Emulateur permettant de tester une bibliothèque avant de l’embarquer dans le MCU

Bibliothèques en langage C faciles à déployer

NanoEdge AI Studio fait abstraction de la complexité liée au Machine Learning et au traitement du signal

Entrée

Paramètres projet + examples de signaux pour contexte

Sortie

Bibliothèque statique pré-compilée (.a) à linker au code C principal.

Faites glisser l’image pour découvrir notre logiciel en 5 étapes simples.

DISCOVER
discover
DISCOVER
DISCOVER
DISCOVER
Précédent
Suivant

La bibliothèque NanoEdge AI

Nos modèles de machine learning sont développés en interne, à partir de l’algèbre. Certains sont construits à partir de zéro, tandis que d’autres s’inspirent des grands classiques de l’IA / ML (par exemple kNN, SVM, réseaux de neurones…).

Chaque bibliothèque NanoEgde AI est optimisée grâce à quelques exemples de signaux importés par l’utilisateur. Elle contient le meilleur modèle de ML pour votre projet, combiné à un prétraitement du signal adéquat et une hyperparamétrisation optimale. Cette bibliothèque fournit des fonctions simples et intuitives (apprendre, détecter, classer) qui apportent de puissantes fonctionnalités de ML à tout code C embarqué dans un Cortex-M.

Pré-traitement signal

Modèle de ML

Hyperparamètres

Bibliothèque d’IA

Parce que nous les avons conçus spécifiquement pour les
microcontrôleurs, nos modèles:

Sont ultra-optimisés pour les MCU (tous les ARM Cortex-M)

Consomment très peu de mémoire (1-20Ko RAM/Flash)

Sont ultra-rapides (inférence entre 1-20ms sur M4 80MHz)

Peuvent être entraînés et utilisés directement sur le MCU

Peuvent être intégrés dans le code / matériel existants

Consomment très peu d’énergie

Préservent le stack (pas d’allocation dynamique, seulement statique)

Ne dépendent pas du Cloud

Ne nécessitent aucune expertise en ML pour être créés et déployés

2 types de bibliothèques disponibles

Bibliothèque de Détection d'Anomalies

Basée sur un apprentissage « in-situ » (directement dans le microcontrôleur Cortex-M).
Ce type de bibliothèque peut être utilisé pour apprendre une série de signaux nominaux, entraîner un modèle, et détecter des anomalies par comparaison à ce modèle.

Bibliothèque de Classification

Basée sur un apprentissage « in-studio ».
Ce type de bibliothèque permet de détecter de classer plusieurs signaux de types différents en utilisant le machine learning dans le MCU Cortex-M.

Cartesiam Tech Partners

Partenaires Technologiques de Cartesiam

Partenaires AI