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.
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.
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.
Partenaires Technologiques de Cartesiam
Partenaires AI
