将嵌入式引进机器学习eIQ就够了吗

各个领域都需要创新，都需要发展，同时随着产品越来越复杂，具有了更强大的处理能力和更高的速度，使得机器学习(ML)技术逐渐扩展到边缘应用。借助eIQ软件，现在可以非常轻松地将新的ML模型引入边缘设备。

机器学习(ML)是一个有助于简化现代生活的复杂过程。它使产品和设备能够快速准确地预测、学习和执行复杂的任务。两个大家熟悉的使用案例：

Amazon Alexa，使用语音识别技术来控制智能家居;

自动驾驶车辆，通过目标检测技术提升驾驶员的安全。

随着产品越来越复杂，具有了更强大的处理能力和更高的速度，使得ML技术逐渐扩展到边缘应用。借助eIQ软件，现在可以非常轻松地将新的ML模型引入边缘设备。

六月初，在恩智浦Connects大会上发布了部分EdgeVerse™产品组合，其中eIQ ML软件开发环境采用行业领先技术，能够将基于ML的应用部署到嵌入式设备中。该软件设计用于我们的微处理器和微控制器产品线，它为工程师提供了一个框架，可以在其中转换ML模型，从而在边缘设备上实现快速部署。

这一过程涉及优化模型，以及与系统的“学习中枢”，即神经网络(NN)推理引擎匹配。借助eIQ开发工具，可以非常轻松地完成这项任务，同时还提供将ML模型与底层计算引擎连接所需的各层。实质上，它桥接了所有必需的工具，可以让新的ML模型投入量产，并集成在复杂的应用中，例如能够执行摄像头或视频输入、安全以及无线通讯(恩智浦支持所有这些功能)等功能。初始版本支持i.MX RT跨界处理器和i.MX 8应用处理器。

更轻松的开发流程

推理引擎和库是ML的构建模块和训练基础，工程师可以运用这些技术资源形成新的见解以及探索新的可能性。

随着ML技术的不断进步，开源引擎和库迅速激增。除了eIQ软件开发环境中的各种其他工具，我们还提供基于流行的开源框架(例如，Arm NN、TensorFlow Lite和OpenCV)的神经网络驱动引擎。这让工程师拥有更大的自由度和更多选择来探索和开发ML模型。

更广泛的边缘智能应用

eIQ软件开发环境的推出，意味着机器学习创新不再受设备资源限制。工程师可以使用基于云的工具或本地服务器工具，构建自己的训练模型，然后将模型引入elQ环境，以生成适用的推理引擎。然后将推理引擎加载到边缘设备上运行。

这是机器学习技术的重大进步，并将进一步促进该领域的各种创新可能性。