韩松—TinyML and Efficient Deep Learning，介绍ppt

使用Edge Impulse和BalenaCloud进行图像分类 本指南将帮助您部署在Raspberry Pi上运行的图像分类系统。 使开发人员能够使用嵌入式机器学习来创建智能设备解决方案。 您将学习如何使用智能手机轻松获取图像样本，训练ML算法以及在设备上部署推理引擎。 是用于部署IoT应用程序的基于容器的平台。 概述 该项目基于出色的，可通过在容器中运行来实时播放相机的Feed。 对于我们的应用程序，我们通过在Node.js服务器内部添加另一个运行Edge Impulse Webassembly推理引擎的容器来利用Balena的多容器功能。 这两个容器通过WebSocket相互通信。 balena-cam Webapp已被修改为每秒调用推理引擎并将结果显示在网页上。 要求 Raspberry Pi：已测试v3和v4，已测试balenaFin v1.0 用手机捕捉图像样本； 或一组jp

tinyML

在本教程中，我们演示如何使用TinyML和Edge Impulse为Arduino Nano BLE Sense构建咳嗽检测系统。

STM32F407-tinyML-Edge_Impulse 这个项目是在Shawn Hymel在Coursera平台的“嵌入式机器学习入门”课程中完成的，因为我决定跟进不同的硬件。 该项目使用在STM32F4发现上运行的NN分类器对4种不同的运动进行分类。 使用的硬件： stm32f4发现 MPU6050（您也可以使用板载MEMS传感器！） USB转UART转换器（CP2102） 联系： USART2-> PA2上的Tx与USB到UART转换器上的Rx引脚相连 I2C-> PB7上的SDA和MPU6050上的SDA-> PB6上的SCL和MPU6050上的SCL 请按照以下步骤在您的硬件上运行： 1-转到我的边缘冲动并克隆项目-> 2-如果要使用具有相同收集数据且没有Training_Phase的相同硬件 A-转到“ Private macro”部分中的main.cpp，

ECGAnalyzer:我研究了由Edge Impulse提供支持的TinyML应用程序，以开发一种微型诊断心电图分析仪设备，该设备可放在口袋中，并且无需互联网即可独立诊断心脏病

TinyML 如何使用J-Link擦除存储区域，以及如何下载Image ,解决TinyML不能第二次下载代码问题, 适合刚刚学习TinyML 初学者

如何下载Image到 TinyML 中， 适合”学0前“的 准备从事机器学习，语音研发的小伙伴们

前进的路上总是有些坎坷，但是经历多了，也不算什么事了，因为勇气已经装满了 如何构建Tiny ML的源码工程，无论用什么语言开发，创建项目是在写Hello Word前的第一件事哦... 这一讲主要告诉大家如何基于Tiny ML的源码构建Adruion IDE的项目，Let's Go. 本视频 适合 刚开始学习Tiny ML的小伙伴，或者是刚刚想从事机器学习再或者想从事语音控制的效果伙伴等等，能帮助大家迅速入门

TinyML实现可识别自来水龙头的声音，一旦听到声音，便会触发蜂鸣器+ LED计时器。