打通邊緣智能之路：面向嵌入式設備的開源AutoML正式發布

隨著AI迅速向邊緣領域挺進，對智能邊緣器件的需求隨之激增。然而，要在小尺寸的微控制器上部署強大的模型，仍是困擾眾多開發者的難題。開發者需要兼顧數據預處理、模型選擇、超參數調整并針對特定硬件進行優化，學習曲線極為陡峭。因而，開發者肯定希望能夠在微控制器等邊緣器件和其他受限平臺上，輕松地構建和部署性能穩健、資源密集型的機器學習模型，而無需在復雜的代碼或硬件限制上耗費精力。

近日，由Analog Devices, Inc. (ADI)和Antmicro共同開發的AutoML for Embedded現已正式推出，集成在Kenning框架中。Kenning是一個不受硬件限制的開源平臺，專注于對邊緣設備上的AI模型進行優化、基準測試和部署。AutoML for Embedded旨在讓嵌入式工程師、數據科學家等所有用戶都能輕松使用高效且可擴展的邊緣AI。

AutoML for Embedded開啟了全新可能，實現了端到端機器學習流程的自動化，不僅讓經驗較少的開發者也能構建高質量模型，還能助力資深專家大幅提升實驗效率。最終，開發者將獲得高效的輕量級模型，不僅性能強大，而且不會超出設備的性能限制。

AutoML for Embedded是基于Kenning庫構建的Visual Studio Code插件，旨在自然地融入開發者現有的工作流。它與CodeFusion Studio?進行了集成，能夠支持：

借助詳細的分步教程、可復現的流程和示例數據集，即使沒有數據科學背景，開發者也能以驚人的速度將原始數據轉化為邊緣AI應用并完成部署。

AutoML for Embedded是ADI與Antmicro深度合作的結晶，融合了深厚的硬件技術專長與開源創新。我們致力于提供開放、以用戶為中心、可擴展的工具集，加速邊緣AI在各行各業的普及。

Antmicro業務開發副總裁Michael Gielda表示：“依托Kenning這一靈活的開源AI基準測試與部署框架，我們成功開發了自動化流程和VS Code插件，大幅降低了構建優化邊緣AI模型的復雜度。我們端到端開發服務的核心在于，基于經過驗證的開源解決方案打造高效工作流，幫助客戶實現對產品的全面掌控。憑借Renode靈活的仿真能力，并與高度可配置的標準化Zepher RTOS進行無縫集成，現在已經能夠使用Kenning框架中的AutoML進行透明、高效的邊緣AI開發。”

AutoML for Embedded采用先進的算法，自動進行模型搜索和優化。它利用SMAC（基于序列模型的算法配置）高效探索模型架構和訓練參數，并應用Hyperband和逐次減半策略，將資源集中于最有潛力的模型。同時，它會根據設備RAM來核對模型大小，確保部署順利進行。

候選模型可利用Kenning的標準流程進行優化、評估和基準測試，并生成關于模型大小、速度和精度的詳細報告，為部署決策提供重要依據。

AutoML for Embedded正在深刻改變邊緣AI的開發模式。例如，在近期的一次演示中，開發者利用AutoML for Embedded，在ADI MAX32690 MCU上成功創建了面向傳感器時間序列數據的異常檢測模型。此模型在物理硬件和Renode數字孿生仿真平臺上都進行了部署，展現出良好的無縫集成和實時性能監控能力。

其他潛在應用包括：

AutoML for Embedded現已在Visual Studio Code Marketplace和GitHub上發布。

Marketplace

GitHub

歡迎積極試用，分享反饋意見，與我們共塑邊緣AI的未來。

我們期待與積極挖掘邊緣智能潛能的客戶攜手合作。如果您正在開發AI應用，想要獲得在嵌入式設備上優化或部署模型的相關支持，歡迎與我們聯系。