- 1. 购买套件
- 2. 创建用户账户
- 3. 开发环境
- 4. 探索演示内容
Tiny Edge AI/ML 是什么？
在物联网行业中，“边缘”是指在本地执行计算而不依赖云计算的设备。最新的开发 Tiny Edge 使计算更接近生成数据的位置，例如传感器节点。这种转变从集中式、基于云的解决方案转移到边缘节点的分布式网络，该网络在本地收集、处理和推理数据。到 2027 年，预计将有超过 30 亿台配有 TinyML 的设备出售。TinyML 是 AI 的一个子集，专门用于在 Tiny Edge 设备上部署机器学习模型。这种增长是由社会趋势驱动，例如对速度、隐私和连接的需求。此外，从有线到无线技术的过渡正在进一步加速 Tiny Edge 设备的采用。
使用 Silicon Labs SoC 的机器学习应用
Silicon Labs 的无线 SoC 支持一系列 ML 应用，例如用于预测性和预防性维护的传感器信号处理、用于医疗保健的生物信号分析，以及冷链监控。它们还为安全应用程序启用音频模式匹配，为智能设备控制启用语音命令，以及为人数统计和存在检测等任务启用低分辨率视觉识别。SoC 提供各种 RAM 尺寸，以满足不同的应用要求。机器学习模型应用于来自传感器的数据，例如麦克风、摄像头以及测量加速和温度等时间序列数据的传感器。这些模型包括音频模式匹配、唤醒词/命令词检测、指纹读取、始终在线的视觉以及图像/对象分类和检测。然后可以根据要求，进一步处理检测到的事件。
Silicon Labs AI/ML 之旅
Silicon Labs 可加速 AI/ML 设备的开发，首先是概述流程中的每一步，并在项目的每个阶段为您提供帮助。我们将简化您的开发之旅，帮助您更快速、更高效地将设备推向市场。
下面概述了 AI/ML 开发之旅中的三个关键阶段，以及要成功完成每个阶段所需满足的条件。
开始
构建您自己的解决方案
预建解决方案
1. 购买套件：硬件和示例
Silicon Labs 提供多种开发和探索套件，从超低成本小封装，到用于构建强大网络的紧凑、功能丰富的平台。我们有几个令人兴奋的演示，包括唤醒词检测、Pacman 和手势控制。这些功能丰富的套件支持多种协议，并具有不同的内存配置，配备各种传感器和外围设备，可执行快速调试和快速原型设计。根据您感兴趣的演示，请在下面选择最适合您需求的套件。演示与硬件无关。
 |
 |
 |
 |
|
| 套件 | SiWx917 开发套件 | EFR32xG24 开发套件 | EFR32xG28 Explorer Kit | EFR32xG26 +10 dBm 开发套件 |
| OPN | (SiWx917-DK2605A) | (xG24-DK2601B) | (xG28-EK2705A) | (xG26-DK2608A) |
| 支持的协议 | Wi-Fi、蓝牙、Matter | 蓝牙、Matter、专有、Thread、Zigbee | 蓝牙、Sidewalk、Wi-SUN、Z-Wave | 蓝牙、Matter、专有、Thread、Zigbee |
| 描述 | SiWx917 Wi-Fi 6 和蓝牙 LE 5.4 开发套件是一个紧凑但功能丰富的开发平台，用于快速测试、开发和原型设计无线物联网应用 | EFR32xG24 开发套件是一款紧凑、功能丰富的开发平台。它能够快速开发无线物联网产品，并完成原型设计。 | EFR32xG28 Explorer Kit 是基于 EFR32xG28 SoC 的小封装开发与评估平台，主要用于 1 GHz 以下和蓝牙低功耗物联网应用的快速原型设计与概念创建。 | EFR32xG26-DK2608A 开发套件是一款紧凑、功能丰富的开发平台。它能够快速开发无线物联网产品，并完成原型设计。 |
| 价格 | $40 USD | $79 USD | $34 USD | $89 USD |
| 闪存/RAM | 8 MB 闪存、672 kB SRAM、8 MB PSRAM | 1536 kB / 256 kB | 1024 kB / 256 kB | 3.2 MB / 512 kB |
| MVP | ✔ | ✔ | ✔ | ✔ |
| 传感器 | 麦克风、温度传感器、惯性传感器 | 惯性传感器、立体声麦克风、压力传感器、环境光传感器 | 温度传感器 | 惯性传感器、立体声麦克风、压力传感器、环境光传感器 |
2. 创建用户帐户
在等待开发套件期间，我们建议设置您的用户帐户。
Silicon Labs 帐户：
Silicon Labs 帐户：此帐户将为您提供访问我们的开发人员社区、入门指南、私有 GitHub 存储库和 Simplicity Studio 开发环境的权限。您可在此处创建账户，或验证账户访问权限。
3. 设置开发环境
虽然我们知道您在选择开发环境时有很多选项，但我们相信 Simplicity Studio 才是适用于开发蓝牙设备的正确之选。原因如下：
- Simplicity Studio 包含编程器和调试器功能，因此您不必担心手动设置。
- 认识您购买的电路板，并确定您可以使用的示例应用。
需要帮助设置环境吗？我们的入门指南将让您立即启动和运行。
Download the Full Online Installer Version of Simplicity Studio v6:
4. 探索演示内容
这里列出了一些其他思路，只需对下方建议的参考示例应用进行修改，通过极少量的编码即可轻松将这些思路转变为现实产品。这些用例并非作为即用型演示内容而提供，而是为进一步的评估营造了适当环境。All the demos shown here are available in Simplicity Studio under "Example Projects & Demos". In the left-hand menu, filter by "Capability → Machine Learning" to view and import the AI/ML sample applications.
其他演示内容
从头开始开发应用程序非常困难，因此，Simplicity SDK 附带多个内置的演示内容和示例，涵盖最常见的用例。
To access the demos and examples:
- Download and install Simplicity Studio
- Navigate to the "Example Projects & Demos" section
- In the filter menu on the left, select "Capability -> Machine Learning" to view and import the most current AI/ML sample applications.
音频分类器 (Audio Classifier)
此应用程序使用面向微控制器的 TensorFlow Lite，对 Micrium OS 内核任务中麦克风上记录的音频数据进行分类。该分类用于控制开发板上的 LED。该演示也作为 Simplicity Studio 的一部分提供。
推荐的套件：
魔杖 (Magic Wand)
此应用程序演示了一个模型经过训练，可以使用加速度计来识别各种手势。检测到的手势会打印到串行端口。该演示也作为 Simplicity Studio 的一部分提供。
推荐的套件：
闪烁 (Blink)
此应用程序演示了一个模型经过训练，可以复制正弦函数。该模型持续接受 0 至 2pi 的值，模型的输出用于控制 LED 的强度。该演示也作为 Simplicity Studio 的一部分提供。
推荐的套件：
Rock Paper Scissors
On-device image classification demo using an external camera to recognize hand gestures (rock, paper, scissors) in real time. Demonstrates embedded vision with TFLM model running directly on the MCU.
推荐的套件：
Device Tampering Detection
Time-series anomaly detection demo using IMU data to detect unusual motion patterns that may indicate device tampering. Runs fully on-device and is designed for production-ready edge AI applications.
推荐的套件：
1. 构建模型
您的 .tflite 文件已经准备好了？跳到下一步：“测试和验证”。
训练您的模型，并准备将其转换为可部署的格式。
如果您熟悉 ML 开发，请遵循以下步骤：
自定义代码
首先，设计和训练您的 AI/ML 模型。这包括收集和预处理数据、选择适当的模型以及设置训练参数。
有关在机器学习模型上开发的支持，请参阅 TensorFlow 文档。有关将模型转换为 .tflite 的支持，请参阅 LiteRT 文档。
如果您正在寻找预先构建的机器学习解决方案，请跳到最后一个选项卡“预构建解决方案”
2. 测试和验证
根据嵌入式目标，评估模型的性能，验证模型，以确保其符合要求的性能指标。
Profile Your Model
Gain insight into how your TensorFlow Lite for Microcontrollers (.tflite) model performs on Silicon Labs hardware before deploying it in your product.
The Silicon Labs Machine Learning Model Profiler helps you analyze inference performance directly on target hardware. It provides visibility into latency, memory usage, and execution distribution across the MCU and hardware accelerators such as the Matrix Vector Processor (MVP).
With the Model Profiler, you can:
- Measure inference latency on real hardware
- View per-layer execution timing
- Understand CPU vs. accelerator utilization
- Identify performance bottlenecks and optimization opportunities
Launch the profiler from Simplicity Studio 6 and connect your development board to begin profiling. Use the insights to refine, optimize, and validate your model before final deployment.
3. 部署模型
集成经过验证的模型并部署到嵌入式设备上。
- 添加 AI/ML SDK 扩展
- 在 Studio 中配置 TensorFlow 微型组件：设置组件，为您的嵌入式设备选择正确的内核
- 纳入并运行模型：将 .tflite 模型复制到 Simplicity Project的 config 文件夹中
- 实施后期处理：添加必要的后处理步骤，以处理模型的输出，并将其与应用程序的逻辑整合
交钥匙解决方案
Silicon Labs SoC 上的预构建、部署就绪型 AI/ML 解决方案，可以简化开发过程，加快上市时间。
设计合作伙伴
Silicon Labs 已预筛选并认证了以下第三方 AI/ML 设计服务公司
，以帮助您设计和开发定制 AI/ML 解决方案。
开始
1. 购买套件
2. 创建用户账户
3. 开发环境
4. 探索演示内容
构建您自己的解决方案
1. 构建模型
2. 测试和验证
部署模型
预建解决方案
合作伙伴
