Tiny Machine Learning(TinyML)

TinyML es un campo de estudio en Machine Learning y Sistemas Embebidos que explora el aprendizaje automático en microcontroladores pequeños y de bajo consumo, habilitando inferencia de aprendizaje automático segura, de baja latencia, bajo consumo y bajo ancho de banda en dispositivos edge. Si estás emocionado por TinyML pero no estás seguro de por dónde empezar, nuestra guía integral es perfecta para ti. Esta guía proporciona una visión general de qué es TinyML, las oportunidades que ofrece, e instrucciones paso a paso sobre cómo comenzar. ¡Únete a este emocionante campo y comienza tu viaje en TinyML hoy!
¿Qué es TinyML?
Tiny Machine Learning (TinyML) es un campo del aprendizaje automático que se enfoca en el desarrollo e implementación de modelos ML en dispositivos microcontroladores de bajo consumo y pequeña huella, como un Arduino, por ejemplo.

El aprendizaje automático es un campo de sistemas computacionales que tiene como objetivo desarrollar algoritmos auto-mejorables y modelos estadísticos. Esto se hace con cantidades masivas de datos, que un modelo analiza y extrae patrones para aprender y mejorar en una tarea dada. ¡Este paradigma aparentemente simple ha llevado a avances revolucionarios en tareas complejas como pronósticos, detección de anomalías y visión por computadora!
Placas Recomendadas que Soportan TinyML
Seeed Studio XIAO ESP32S3 Sense
ALTO RENDIMIENTOProcesador dual-core Xtensa 32-bit LX7 de 240MHz
MEMORIA8MB PSRAM + 8MB FLASH
MULTIFUNCIONALMicrófono/ranura para tarjeta SD/OV2640 desmontable
INALÁMBRICOWiFi 2.4GHz y BLE 5
COMPATIBLE CON TINYMLProcesamiento de Imágenes/Reconocimiento de Voz

Seeed Studio XIAO nRF52840 Sense

ALTO RENDIMIENTOProcesador ARM® Cortex™-M4 de 32 bits con FPU operando a 64 MHz
Memoria256 KB RAM + 2MB FLASH
MULTIFUNCIONALMicrófono integrado e IMU de 6 ejes
INALÁMBRICOBluetooth 5.0, NFC con antena integrada
COMPATIBLE CON TINYMLReconocimiento de gestos/voz
Seeed Studio XIAO RP2040

INICIO RÁPIDOSoporte para Arduino/Micropython/CircuitPython
COSTO-EFECTIVOReduce la barrera de entrada
MCU MÁS POTENTE (RP2040)Chip dual-core ARM Cortex M0+ Raspberry PI RP2040, funcionando hasta 133 MHz
MEMORIA EN CHIP ABUNDANTE264KB de SRAM, 2MB de Flash integrado
INTERFAZ RICA11 pines digitales, 4 pines analógicos, 11 pines PWM, 1 interfaz I2C, 1 interfaz UART, 1 interfaz SPI, 1 interfaz de pad de enlace SWD
Seeed Studio XIAO SAMD21
FAVORITO DE LOS USUARIOS¡Primer producto pionero de la serie XIAO!
TAMAÑO DE PULGARLa placa compatible con Arduino más pequeña de la familia de placas de Seeed Studio
MCU POTENTE (SAMD21)Microcontrolador ARM® Cortex®-M0+ 32bit 48MHz (SAMD21G18) con 256KB Flash, 32KB SRAM
COMPATIBILIDAD FLEXIBLECompatible con Arduino IDE, amigable con protoboard
INTERFAZ RICA11 pines digitales/analógicos, 10 pines PWM, 1 salida DAC, 1 interfaz de pad de enlace SWD, 1 interfaz I2C, 1 interfaz UART, 1 interfaz SPI

Wio Terminal
ALTO RENDIMIENTONúcleo ATSAMD51 con Realtek RTL8720DN BLE 5.0 & Wi-Fi 2.4G/5G Placa de Desarrollo
Memoria4 MB Flash Externa, 192 KB RAM
MULTIFUNCIONALSistema completo equipado con Pantalla + Placa de Desarrollo + Interfaz de Entrada/Salida + Carcasa
INALÁMBRICOConectividad Inalámbrica Confiable, Equipado con Realtek RTL8720DN, Wi-Fi de banda dual 2.4Ghz / 5Ghz
COMPATIBLE CON TINYMLUn dispositivo certificado por Azure, compatible con Edge Impulse para comenzar rápidamente con IoT y TinyML

Grove Vision AI

Un Sensor de Visión AI embebido preentrenado con procesador Himax HX6537-A, sensor de cámara OV2640, un micrófono digital y una Unidad de Medición Inercial (IMU) de 6 ejes, compatible con YOLO v5 y Edge Impulse
MULTIFUNCIONALEquipado con sensor OV2640 para procesamiento de imágenes
Un micrófono digital y una Unidad de Medición Inercial (IMU) de 6 ejes
COMPATIBLE CON TINYMLOficialmente compatible con Edge Impulse, con 3 modelos personalizados para realizar funciones de ML principales como detección de objetos
Grove Vision AI V2

Es un módulo de visión AI basado en MCU alimentado por Arm Cortex-M55 & Ethos-U55. Compatible con los marcos TensorFlow y PyTorch y es compatible con Arduino IDE. Con la plataforma de algoritmos de IA SenseCraft, los modelos ML entrenados pueden desplegarse en el sensor sin necesidad de codificación.
Soporte Versátil de Modelos de IA: Despliega fácilmente modelos de IA listos para usar o personalizados desde SenseCraft AI, incluyendo Mobilenet V1, V2, Efficientnet-lite, Yolo v5 & v8. Se admiten los marcos TensorFlow y PyTorch.
Completamente Código Abierto:Todos los códigos, archivos de diseño y esquemas disponibles para modificación y uso.
Dispositivos Periféricos Ricos: Incluye micrófono PDM, ranura para tarjeta SD, Type-C, interfaz Grove, y otros periféricos.
SenseCAP K1100
El Kit de Prototipo de Sensores para Comenzar Rápidamente con LoRa® e IA
Despliega en 10 minutos, construye un proyecto AIoT a través de 3 pasos
Combinación de tecnologías ML y LoRa®
Compatible con más de 400 sensores Grove para soportar aplicaciones extensas
Integración de placa con plataformas principales para soporte en la nube
Actualizable a sensores industriales de la serie SenseCAP

SenseCAP A1101

Sensor de imagen inteligente habilitado con IA Edge TinyML, que soporta una variedad de modelos de IA como reconocimiento de imágenes, conteo de personas, detección de objetivos, reconocimiento de medidores, etc.
COMPATIBLE CON TINYML¡Oficialmente soportado por Edge Impulse, comienza rápidamente a entrenar y desplegar tus modelos ML!
Plataformas Compatibles
Nuestros dispositivos ahora son compatibles con un gran número de plataformas cooperativas y casos de uso.
- Seeed Studio SenseCraft Model Assistant es un proyecto de código abierto enfocado en IA embebida.
- Edge Impulse está optimizado para aplicaciones basadas en sensores.
- TensorFlow Lite es ligero y optimizado para aprendizaje profundo.
Al soportar estas plataformas, permitimos a los desarrolladores construir y desplegar fácilmente modelos de aprendizaje automático en dispositivos edge, desde microcontroladores hasta computadoras de placa única.
SenseCraft Model Assistant
SenseCraft Model Assistant es un proyecto de código abierto enfocado en IA embebida, desarrollado por Seeed Studio. Ofrece una gama de algoritmos optimizados para escenarios del mundo real, haciendo la implementación más amigable para el usuario y logrando inferencias más rápidas y precisas en dispositivos embebidos.
SenseCraft Model Assistant actualmente soporta detección de anomalías, visión por computadora y algoritmos específicos para escenarios, con más por añadir en el futuro.
Proporciona una plataforma amigable para el usuario para entrenar con datos recopilados y visualizar el rendimiento de algoritmos, y sus modelos están diseñados para ejecutarse en hardware de bajo costo como ESP32, placas de desarrollo Arduino y Raspberry Pi.

SenseCraft Model Assistant también soporta múltiples formatos para exportación de modelos, incluyendo TensorFlow Lite, ONNX y formatos especiales como TensorRT y OpenVINO. Con SenseCraft Model Assistant, los desarrolladores pueden construir y desplegar fácilmente modelos de aprendizaje automático en una amplia gama de dispositivos embebidos.
Codecraft
Codecraft está basado en el lenguaje Scratch 3.0 y permite programar simplemente "arrastrando y soltando" bloques. Además de la capacidad de Scratch para programar juegos interactivos o animaciones, Codecraft también soporta una variedad de dispositivos de hardware comunes, permitiendo la integración de hardware y software, lo que hace la programación aún más divertida.
Con Codecraft y Wio Terminal, ahora es posible experimentar todo el proceso de aprendizaje automático embebido sin tener que lidiar con un entorno de programación complejo y conocimientos de programación.
Impulsado por Edge Impulse, el Aprendizaje Automático Diminuto es fácilmente accesible para principiantes usando la programación gráfica de Codecraft. Mediante codificación simple de arrastrar y soltar, adquirir datos, entrenar y desplegar modelos es más vívido que nunca.

Edge Impulse
Edge Impulse es una poderosa plataforma de aprendizaje automático para construir y desplegar modelos de aprendizaje automático embebido.
Proporciona a los desarrolladores una gama de herramientas para recopilar y procesar datos de sensores, diseñar y entrenar modelos de aprendizaje automático, y desplegar esos modelos en dispositivos edge.

Edge Impulse está optimizado para aplicaciones basadas en sensores y soporta una amplia gama de plataformas de hardware. Con Edge Impulse, los desarrolladores pueden construir y desplegar fácilmente modelos de aprendizaje automático en dispositivos embebidos, convirtiéndolo en una herramienta valiosa para aplicaciones de IoT y dispositivos inteligentes.
TensorFlow Lite
TensorFlow Lite es una versión ligera del popular framework de aprendizaje automático TensorFlow, diseñado para ejecutarse en dispositivos embebidos y móviles.
Proporciona a los desarrolladores una gama de herramientas para construir y desplegar modelos de aprendizaje automático en dispositivos con recursos limitados, incluyendo soporte para aceleradores de hardware especializados.

TensorFlow Lite soporta una amplia gama de plataformas de hardware y es particularmente adecuado para aplicaciones de aprendizaje profundo. Con TensorFlow Lite, los desarrolladores pueden construir y desplegar fácilmente modelos de aprendizaje automático en dispositivos embebidos y móviles, convirtiéndolo en una herramienta valiosa para una amplia gama de aplicaciones en los dominios de IoT, móvil y dispositivos inteligentes.
Comenzar es Fácil
¡Echemos un vistazo a los tipos de cosas interesantes que TinyML puede lograr!
TinyML en XIAO
Edge Impulse en XIAO RP2040 y XIAO SAMD21 | Edge Impulse en XIAO nRF52840 Sense | TensorFlow Lite en XIAO nRF52840 Sense |
---|---|---|
![]() | ![]() | ![]() |
Este proyecto cubre el entrenamiento y despliegue de modelos en las placas de desarrollo Seeed Studio XIAO SAMD21 y Seeed Studio XIAO RP2040. | ¡Bienvenido a esta guía de inicio rápido sobre el uso de Edge Impulse con Seeed Studio XIAO nRF52840 Sense! En esta guía, exploraremos cómo usar el sensor IMU integrado para detectar movimiento humano y clasificar diferentes acciones. | Esta wiki demostrará cómo puedes usar TensorFlow Lite en Seeed Studio XIAO nRF52840 Sense y detectar gestos como golpear y flexionar usando el acelerómetro integrado. |
Edge Impulse en XIAO ESP32S3 Sense | ||
![]() | ||
Este proyecto cubre el entrenamiento y despliegue de modelos en las placas de desarrollo Seeed Studio XIAO SAMD21 y Seeed Studio XIAO RP2040. | ||
TinyML en Wio Terminal
Wio Terminal es una placa de desarrollo potente y fácil de usar diseñada para makers, aficionados y entusiastas de IoT. Cuenta con una pantalla LCD de 2.4 pulgadas, conectividad Wi-Fi y Bluetooth, una variedad de sensores y diversas interfaces de entrada/salida.
Wio Terminal soporta una gama de lenguajes de programación incluyendo Arduino, MicroPython, CircuitPython, y más, facilitando que los desarrolladores puedan comenzar. Con su diseño compacto y portátil, Wio Terminal es ideal para una amplia gama de proyectos, desde crear dispositivos inteligentes hasta construir prototipos para aplicaciones industriales.
Edge Impulse en Wio Terminal | TensorFlow Lite en Wio Terminal | Codecraft TinyML en Wio Terminal |
---|---|---|
![]() | ![]() | ![]() |
Ahora, Wio Terminal es oficialmente soportado por Edge Impulse. ¡Veamos cómo comenzar con Wio Terminal en el aprendizaje automático en el borde! | Este artículo introduce cómo instalar la biblioteca oficial Arduino Tensorflow Lite en tu Wio Terminal, permitiéndote probar algunos modelos de aprendizaje automático usando Wio Terminal. | Un proyecto simple de reconocimiento de voz usando programación gráfica Codecraft, Wio Terminal y Edge Impulse. |
TinyML en Grove Vision AI
Edge Impulse en Grove Vision AI |
---|
Grove - Vision AI Module es una placa del tamaño de un pulgar basada en el procesador Himax HX6537-A que está equipada con una cámara OV2640 de 2 megapíxeles, micrófono, acelerómetro de 3 ejes y giroscopio de 3 ejes. Ofrece almacenamiento con 32 MB de flash SPI, viene preinstalado con algoritmos ML para reconocimiento facial y detección de personas y también admite modelos personalizados. Es compatible con el ecosistema XIAO y Arduino, todo lo cual lo hace perfecto para comenzar con proyectos de cámara con IA. Es totalmente compatible con Edge Impulse, lo que significa que podrás muestrear datos en bruto de la cámara, construir modelos y desplegar modelos de aprendizaje automático entrenados al módulo directamente desde el estudio sin requerir programación. |
TinyML en SenseCAP A1101
Roboflow/ YOLOv5/ TensorFlow Lite en SenseCAP A1101 |
---|
![]() |
Seeed SenseCAP A1101 - Sensor de IA de Visión LoraWAN es un sensor de IA de reconocimiento de imágenes diseñado para desarrolladores. SenseCAP A1101 - Sensor de IA de Visión LoRaWAN combina la tecnología de IA TinyML y la transmisión de largo alcance LoRaWAN para habilitar una solución de dispositivo de IA de bajo consumo y alto rendimiento tanto para uso interior como exterior. Este sensor cuenta con la solución de visión de IA de alto rendimiento y bajo consumo de Himax que soporta el framework Google TensorFlow Lite y múltiples plataformas de IA TinyML. En esta wiki, te enseñaremos cómo entrenar tu propio modelo de IA para tu aplicación específica y luego desplegarlo fácilmente en el SenseCAP A1101 - Sensor de IA de Visión LoRaWAN. ¡Comencemos! |
Curso TinyML
Curso Wio Terminal Codecraft
Recursos curriculares ricosEste curso viene acompañado de materiales de proyecto completos y programas de código, y todos son de código abierto en GitHub. Todos los lectores son libres de usar y estudiar más a fondo.
Contenido del curso detallado y fácil de entenderEl curso fue desarrollado por el departamento EDU de Seeed Studio. El curso cubre principios, implementación y aplicaciones, haciendo que la clase sea viva e interesante mientras el contenido del curso es completo y profesional.
Diseño curricular desde ceroConsiderando las realidades del aprendizaje estudiantil, cada lección, o incluso todo el sistema curricular, está diseñado para moverse de lo superficial a lo profundo. Para hacerlo, la enseñanza se adapta a la capacidad del estudiante.
No se requieren fundamentos de programación complejosEl curso se enfoca en programar usando la plataforma Codecraft desarrollada por Seeed Studio, una plataforma de programación gráfica de bloques de construcción basada en Scratch 3.0. Hace que la programación sea más fácil y divertida, y no requiere que tengas ninguna base en el uso de lenguajes de programación de alto nivel.

Tutoriales Básicos de Wio Terminal TinyML por Seeed Studio
Tutoriales de Wio Terminal Edge Impulse
Construyendo un Sistema de Reconocimiento de Movimiento Continuo con Aprendizaje Automático Embebido | Wio Terminal Edge Impulse Reconocimiento de Escena de Audio con Micrófono Integrado | Wio Terminal Edge Impulse Conteo de Personas con Sensor Ultrasónico |
---|---|---|
![]() | ![]() | |
En este tutorial te mostramos cómo construir un sistema de aprendizaje automático que puede detectar movimiento continuo, cómo muestrear datos de dispositivos reales, cómo diseñar un pipeline de procesamiento de señales, y cómo desplegar el modelo de vuelta al dispositivo. | En este proyecto aprenderemos cómo entrenar y desplegar un clasificador de escena de audio con Wio Terminal y Edge Impulse. ¡Para más detalles y tutorial en video, mira el video correspondiente! | En este proyecto crearemos un sistema de conteo de personas usando Wio Terminal, un sensor ultrasónico ordinario y una salsa especial de Deep Learning para rematarlo y hacer que realmente funcione. |
Wio Terminal Edge Impulse Detección de Anomalías para Mantenimiento Predictivo | Wio Terminal Edge Impulse Distinguir Bebidas con Sensor de Gas Multicanal | |
![]() | ![]() | |
En este proyecto, usaremos datos del acelerómetro integrado de Wio Terminal, realizaremos detección de anomalías en el dispositivo y luego enviaremos datos a Blynk Edgent Cloud. | En esta wiki, introduciremos cómo usar Wio Terminal con Edge Impulse para desplegar simplemente un proyecto de aprendizaje automático. ¡Wio Terminal con los sistemas Grove puede ser muy poderoso, lo que trae cientos de datos de sensores para análisis y posiblemente evaluar diferentes escenarios! | |
Tutoriales de Wio Terminal TensorFlow Lite
Estación meteorológica inteligente Wio Terminal Tensorflow Lite Micro con BME280 | Reconocimiento de voz Wio Terminal Tensorflow Lite Micro en MCU – Speech-to-Intent | Aprendizaje automático con Wio Terminal - Reconocimiento de gestos |
---|---|---|
![]() | ![]() | |
En este proyecto vamos a usar Wio Terminal y Tensorflow Lite para Microcontroladores para crear una estación meteorológica inteligente, capaz de predecir el clima y las precipitaciones para las próximas 24 horas basándose en datos locales del sensor ambiental BME280. | En este proyecto vamos a emplear un método más eficiente y analizar directamente las expresiones del usuario en salida accionable en forma de intención/ranuras. | Este tutorial demostrará cómo usar Wio Terminal para configurar una demostración simple de aprendizaje automático de reconocimiento de gestos con la ayuda de TensorFlow Lite. |
Tutoriales de Wio Terminal TinyML por Udemy
Aplicación TinyML
Aquí te mostraremos algunos excelentes ejemplos de nuestros dispositivos TinyML. Estos casos de estudio estarán categorizados por escenarios de aplicación, así que esperamos que puedas encontrar algo de interés aquí y unirte a nosotros para realizar tus ideas!
Interacción Humano-Máquina
Usando la tecnología TinyML es posible combinar datos de sensores con modelos de aprendizaje automático para habilitar aplicaciones de interacción humano-computadora como reconocimiento de voz, reconocimiento de gestos y reconocimiento de poses.
Reconocimiento de Voz en XIAO nRF52840 Sense | TinyML Simplificado: Detección de Anomalías y Clasificación de Movimiento | Juguete de Control por Voz y Pantalla usando XIAO nRF52840 y Edge Impulse |
---|---|---|
![]() | ![]() | |
Esta wiki demostrará cómo puedes usar TensorFlow Lite en Seeed Studio XIAO nRF52840 Sense y realizar reconocimiento de voz usando el micrófono integrado. | Explorando el Aprendizaje Automático en un dispositivo gigante y diminuto, el Seeed XIAO nRF52840 Sense. | Esta demostración muestra ML embebido controlando por voz una pantalla de animación y un juguete interesante usando placas XIAO nRF52840 Sense. |
TinyML Simplificado: Reconocimiento de Gestos | Cómo Construí una Nariz Artificial Conectada | Clasificación de Líquidos con TinyML |
![]() | ![]() | |
Seeed Wio Terminal programado usando Codecraft/Edge Impulse es una herramienta fantástica para principiantes para comenzar con tinyML (Aprendizaje Automático Embebido). | Durante los últimos meses, he trabajado en un proyecto bastante genial del que algunos de ustedes ya habrán oído hablar ya que se volvió viral. ¡Construí una nariz artificial DIY de propósito general que puede oler virtualmente cualquier cosa que le enseñes a reconocer! | Usa sensores de calidad del agua para medir la turbidez y realizar clasificación en una variedad de líquidos con un modelo de aprendizaje automático ejecutándose en un Seeed Studio Wio Terminal. |
Jugar físicamente el juego del dinosaurio de Chrome | Construir Reconocimiento de Escritura a Mano con Wio Terminal y Edge Impulse | |
![]() | ![]() | |
En este proyecto, vamos a jugar físicamente el juego del dinosaurio de Chrome con la ayuda del aprendizaje automático y electrónica embebida. | En el tutorial de hoy, te mostraré cómo puedes construir un dispositivo de reconocimiento de escritura a mano basado en aprendizaje automático con el Wio Terminal y Edge Impulse. ¡Sigue esta guía detallada para aprender cómo un solo sensor de tiempo de vuelo puede permitirte reconocer gestos de escritura a mano y traducirlos a texto! | |
Comercio Minorista
La tecnología TinyML puede aplicarse en la industria del comercio minorista para pronósticos de ventas, análisis del comportamiento del cliente, optimización de recursos, prevención de pérdidas y marketing inteligente, ayudando a lograr una gestión y operaciones comerciales más inteligentes y eficientes.
Rastreador de Actividad de Mascotas usando XIAO nRF52840 Sense & Edge Impulse | Smartwatch BLE Impulsado por IA que Detecta Daño Solar Potencial | Enfriador de Aire Inteligente usando Sensor de Personas.Ft Useful Sensor |
---|---|---|
![]() | ||
Nuestras mascotas merecen más para mantenerse activas. Un modelo tinyML predice actividades basándose en los datos provenientes del IMU de 3 Ejes. | Registra datos UV y meteorológicos en una tarjeta SD para entrenar un modelo Edge Impulse. Luego, ejecútalo para ser informado del daño solar por BLE a través de una aplicación Android. | Como todos los demás dispositivos se están volviendo más inteligentes en esta Era, ¿por qué no agregar inteligencia a nuestro querido y viejo amigo de verano, los Enfriadores de Aire? Sin embargo, ¿qué pasaría si un sensor pudiera presentar directamente características extraídas de datos de imagen? ¿No sería interesante? |
TinyML 🧠 y Azure IoT con Edge Impulse y Wio Terminal | NMCS: ¡No Más Derrames de Café! | Cámara térmica impulsada por IA para acampar seguro |
La primavera está aquí, así que puedo actualizar mi Alimentador de Ardillas Azure IoT y ahora agregar capacidades de Visión por Computadora. Para hacer esto, agregaré capacidades TinyML a mi alimentador usando Edge Impulse al escenario actual. | NMCS es un dispositivo que usa sus habilidades auditivas y visuales para asegurarse de que tu café no se derrame al hacer tu estimulante energético. | El modelo TinyML ejecutándose en Wio Terminal puede identificar si un animal o humano se está acercando incluso en la oscuridad y alertar a los campistas. |
Agricultura
Utilizando la tecnología TinyML es posible combinar datos de sensores con modelos de aprendizaje automático para automatizar el riego, la predicción meteorológica, y la detección de enfermedades y plagas de cultivos.
Kit de prevención de agotamiento de arena basado en visión (VSDP) | Evaluación del nivel de riego mediante imágenes térmicas con TensorFlow | Predicción del clima con Tensorflow Lite para microcontroladores |
---|---|---|
![]() | ![]() | |
Me gustaría crear una infraestructura conectada por LoRaWAN que tenga nodos de IA en el borde para monitorear la región de agotamiento de arena. | Recolecta datos de nivel de riego mediante imágenes térmicas, construye y entrena un modelo de red neuronal, y ejecuta el modelo directamente en Wio Terminal. | En el artículo de hoy vamos a usar Wio Terminal y Tensorflow Lite para microcontroladores para crear una estación meteorológica inteligente, capaz de predecir el clima y la precipitación para las próximas 24 horas con base en datos locales del sensor ambiental BME280. |
Monitor del ciclo de crecimiento de algas comestibles | Sensor de deterioro de alimentos IoT y panel de monitoreo | Lago inteligente - detección temprana de proliferación de algas |
He decidido idear un sistema que ayude a cultivar algas Spirulina en un espacio autosuficiente. | DeViridi es una herramienta inteligente con IoT que puede usarse para: monitorear las condiciones de almacenamiento de alimentos y determinar su deterioro. | Usando datos de diferentes sensores y ML en el borde, este dispositivo puede detectar signos tempranos de proliferación de algas y notificar a las autoridades o ciudadanos. |
Identificador de enfermedades de árboles impulsado por IA IoT con Edge Impulse y MMS | Detector de botellas plásticas para lago | NOMOS: Sistema de monitoreo del crecimiento de mosquitos |
![]() | ||
Detecta enfermedades de los árboles y recibe la información de los resultados vía MMS para evitar que se propaguen y dañen bosques, granjas y tierras cultivables. | Para combatir la contaminación plástica que afecta la vida marina. Inspirado en el icónico personaje de cine WALL-E, mi proyecto busca generar conciencia sobre el problema de la basura y su impacto en el medio ambiente. | Sistema de monitoreo del crecimiento de mosquitos basado en temperatura, humedad y flujo de agua en las líneas de alcantarillado para minimizar la propagación del dengue. |
¡Construye una estación meteorológica inteligente TinyML con Wio Terminal! | Lucha contra el fuego 🔥 - Predicción de incendios forestales usando TinyML | Sistema de alerta temprana de inundaciones repentinas |
Aprende a construir tu propia estación meteorológica inteligente impulsada por aprendizaje automático, desde la adquisición de datos hasta el entrenamiento y el despliegue. | Fight Fire es un dispositivo de predicción de incendios forestales que ayudará a las autoridades de extinción a responder rápidamente al incendio. | Esta idea busca proporcionar una solución para generar alertas tempranas que permitan una reacción oportuna ante desastres por inundaciones o avalanchas. |
Industrial
Utilizando la tecnología TinyML es posible combinar datos de sensores con modelos de aprendizaje automático para automatizar y optimizar procesos de producción como el control de calidad y el mantenimiento de equipos.
Detección de Anomalías ML en Ascensores con Edge Impulse y Notecard | Procesamiento de Yogur Impulsado por IA IoT y Predicción de Textura | Blynk | Detección de fugas en tanques de aceite usando tinyML |
---|---|---|
![]() | ![]() | |
Los dispositivos IoT permiten el mantenimiento predictivo, asegurando un rendimiento consistente de ascensores comerciales y reduciendo reparaciones costosas y tiempo de inactividad. Esto es crucial para el flujo eficiente del edificio y la seguridad pública, productividad, consumo de energía y calidad de vida. | Recopilar factores ambientales y cantidad de cultivo mientras se produce yogur. Luego, ejecutar un modelo de red neuronal a través de Blynk para predecir su textura. | Este dispositivo impulsado por ML huele diesel y envía notificaciones en tiempo real al móvil. Usando Wio terminal, Edge Impulse y Blynk. |
Robot operado por navegador web para detección de fugas de gas | Detección de Obstrucciones en Tuberías con un Caudalímetro y TinyML | Detectar el Bloqueo del Desagüe con Tiny ML + LoRa |
El Hidrógeno Verde es una energía alternativa que reduce las emisiones y cuida nuestro planeta. Sin embargo, aún está en sus primeras etapas y la seguridad es una preocupación importante ya que las fugas de hidrógeno deben evitarse por todos los medios. Para permitir una detección temprana de fugas de gas, quisimos construir un gran robot operado remotamente para transportar el equipo de detección requerido. | Como una solución propuesta al problema de obstrucciones en tuberías en operaciones industriales, estamos introduciendo el uso de inteligencia artificial (IA) y aprendizaje automático. Nuestro sistema de IA utiliza datos del sensor de caudal para detectar obstrucciones en tuberías analizando cambios en las tasas de flujo que pueden indicar un bloqueo. | Usando un sensor inteligente exterior - A1101 para detectar la acumulación de hojas, flores y otros desechos para un desagüe de balcón y alertar a su usuario. |
Salud
TinyML puede aplicarse al monitoreo de salud para ayudar a la industria médica a lograr un monitoreo de salud más eficiente y preciso.
Estetoscopio Inteligente Impulsado por Edge Impulse | Una solución no invasiva para los sofocos |
---|---|
Un estetoscopio digital que ausculta y detecta anomalías en el sistema respiratorio usando tinyML en el borde. | En este proyecto, construyo un dispositivo que puede usarse para detectar sofocos y activar alguna acción para aliviar a la persona, en este caso encender el sistema de enfriamiento del aire acondicionado usando un emisor IR. Como entrada, toma datos de sensores térmicos infrarrojos multidimensionales. Su salida será una clasificación simple que nos notifica si la persona es reconocida y ha ocurrido recientemente un cambio repentino en la temperatura. |
Transporte
Coche Robot Activado por Voz en Microcontrolador con TinyML |
---|
![]() |
Usando reconocimiento de voz con el micrófono integrado, Wio Terminal será capaz de reconocer las órdenes de avanzar, parar y ruido de fondo mediante TinyML. |
Ganadería
Monitor de Santuario de Vida Silvestre | Conteo y Monitoreo de Pingüinos | Gate Keeper - Un Sistema de Detección de Elefantes Basado en IoT |
---|---|---|
![]() | ![]() | |
Un monitor de ambiente y animales de santuario de vida silvestre para mantener la sostenibilidad del santuario. | Una prueba de concepto para la construcción de cámaras de reconocimiento de objetos con IA para detectar y contar Pingüinos Azules Pequeños mientras llegan a la orilla y van al mar. | Te guiará para construir un detector de elefantes basado en IoT usando el Módulo de Visión AI Grove y Wio Terminal. |
Microsoft Reactor
Microsoft Reactor Parte 1 | Microsoft Reactor Parte 2 |
---|---|
La IA ya no está atascada en la nube. En lugar de depender de computadoras potentes con GPUs, los últimos años han traído la IA a dispositivos pequeños gracias a TinyML – modelos de aprendizaje automático que pueden ejecutarse en microcontroladores. Es posible que ya tengas dispositivos que usan esto a tu alrededor, desde altavoces inteligentes controlados por voz hasta rastreadores de fitness. En este programa de 2 partes, Jim se ensucia las manos con TinyML, construyendo un rastreador de fitness que puede distinguir entre remar y correr usando un pequeño microcontrolador de Seeed studios – el Seeed XIAO BLE. Entrenar e implementar estos modelos es súper complicado, así que Jim solicita ayuda de Edge Impulse, una herramienta en línea para capturar datos de entrenamiento y construir modelos TinyML. Una vez que Jim tiene su modelo, lo implementará en su dispositivo usando VS Code y PlatformIO, una extensión para VS Code para hacer desarrollo de microcontroladores. Desde ahí manejará una de las complejidades de construir rastreadores de fitness de bajo consumo, la conectividad. Muchos rastreadores de fitness usan Bluetooth para sincronizar con una aplicación de teléfono, así que Jim tomará esta ruta, sincronizando datos de fitness a Azure IoT Central desde una aplicación móvil. | |
Contribuye con Tu Proyecto de TinyML a Nosotros
¡Únete para construir un conjunto de recursos públicos para TinyML enviando tus proyectos o exploraciones! Al compartir tu trabajo, puedes contribuir al entendimiento de la comunidad sobre los desafíos y oportunidades en el campo de TinyML. Ya sea que estés trabajando en detección de objetos, reconocimiento de voz, o cualquier otra aplicación de TinyML, ¡tus ideas y experiencias pueden ayudar a otros a aprender e innovar!

Soporte Técnico y Discusión de Productos
¡Gracias por elegir nuestros productos! Estamos aquí para brindarte diferentes tipos de soporte para asegurar que tu experiencia con nuestros productos sea lo más fluida posible. Ofrecemos varios canales de comunicación para atender diferentes preferencias y necesidades.