Tiny Machine Learning(TinyML)
TinyML é um campo de estudo em Machine Learning e Sistemas Embarcados que explora aprendizado de máquina em pequenos microcontroladores de baixo consumo, permitindo inferência de aprendizado de máquina segura, com baixa latência, baixo consumo de energia e baixa largura de banda em dispositivos de borda. Se você está empolgado com TinyML, mas não sabe por onde começar, nosso guia completo é perfeito para você. Este guia fornece uma visão geral do que é TinyML, das oportunidades que ele oferece e instruções passo a passo sobre como começar. Junte-se a este campo empolgante e inicie hoje mesmo sua jornada em TinyML!
O que é TinyML?
Tiny Machine Learning (TinyML) é um campo do aprendizado de máquina que se concentra no desenvolvimento e implantação de modelos de ML em dispositivos microcontroladores de baixo consumo e pequeno porte, como, por exemplo, um Arduino.
Aprendizado de máquina é um campo dos sistemas computacionais que visa desenvolver algoritmos e modelos estatísticos autoaperfeiçoáveis. Isso é feito com grandes quantidades de dados, que um modelo analisa e a partir dos quais extrai padrões para aprender e melhorar em uma determinada tarefa. Esse paradigma aparentemente simples levou a avanços revolucionários em tarefas complexas como previsão, detecção de anomalias e visão computacional!
Placas Recomendadas com Suporte a TinyML
Seeed Studio XIAO ESP32S3 Sense
ALTO DESEMPENHOProcessador dual-core Xtensa 32-bit LX7 de 240MHz
MEMÓRIA8MB PSRAM + 8MB FLASH
MULTIFUNCIONALMicrofone/Slot para cartão SD/Câmera OV2640 destacável
SEM FIOWiFi 2,4GHz e BLE 5
COMPATÍVEL COM TINYMLProcessamento de Imagem/Reconhecimento de Voz
Seeed Studio XIAO nRF52840 Sense
ALTO DESEMPENHOProcessador ARM® Cortex™-M4 32-bit com FPU operando a 64 MHz
Memória256 KB RAM + 2MB FLASH
MULTIFUNCIONALMicrofone onboard e IMU de 6 eixos
SEM FIOBluetooth 5.0, NFC com antena onboard
COMPATÍVEL COM TINYMLReconhecimento de gestos/voz
Seeed Studio XIAO RP2040
COMECE RÁPIDOSuporta Arduino/Micropython/CircuitPython
CUSTO-BENEFÍCIOReduz a barreira de entrada
MCU MAIS PODEROSO (RP2040)Chip Raspberry PI RP2040 ARM Cortex M0+ dual-core, rodando até 133 MHz
MEMÓRIA INTERNA ABUNDANTE264KB de SRAM, 2MB de Flash onboard
INTERFACES RICAS11 pinos digitais, 4 pinos analógicos, 11 pinos PWM, 1 interface I2C, 1 interface UART, 1 interface SPI, 1 interface de pads SWD
Seeed Studio XIAO SAMD21
FAVORITA DOS USUÁRIOSPrimeiro produto pioneiro da série XIAO!
TAMANHO DE POLEGARA menor placa compatível com Arduino na família de placas da Seeed Studio
MCU PODEROSO (SAMD21)Microcontrolador ARM® Cortex®-M0+ 32bit 48MHz (SAMD21G18) com 256KB de Flash e 32KB de SRAM
COMPATIBILIDADE FLEXÍVELCompatível com Arduino IDE, amigável para protoboard
INTERFACES RICAS11 pinos digitais/analógicos, 10 pinos PWM, 1 saída DAC, 1 interface de pads SWD, 1 interface I2C, 1 interface UART, 1 interface SPI
Wio Terminal
ALTO DESEMPENHOCore ATSAMD51 com placa de desenvolvimento Realtek RTL8720DN BLE 5.0 & Wi-Fi 2.4G/5G
Memória4 MB Flash Externa, 192 KB RAM
MULTIFUNCIONALSistema completo equipado com Tela + Placa de Desenvolvimento + Interface de Entrada/Saída + Gabinete
SEM FIOConectividade sem fio confiável, equipada com Realtek RTL8720DN, Wi-Fi dual-band 2.4Ghz / 5Ghz
COMPATÍVEL COM TINYMLUm dispositivo certificado pela Azure e compatível com Edge Impulse para começar rapidamente com IoT e TinyML
Grove Vision AI
Um sensor de visão de IA embarcada pré-treinado com processador Himax HX6537-A, sensor de câmera OV2640, um microfone digital e uma Unidade de Medição Inercial (IMU) de 6 eixos, com suporte a YOLO v5 e Edge Impulse
MULTIFUNCIONALEquipado com sensor OV2640 para processamento de imagem
Um microfone digital e uma Unidade de Medição Inercial (IMU) de 6 eixos
COMPATÍVEL COM TINYMLSuportado oficialmente pelo Edge Impulse, com 3 modelos personalizados para realizar funções de ML principais, como detecção de objetos
Grove Vision AI V2
É um módulo de visão com IA baseado em MCU, alimentado por Arm Cortex-M55 e Ethos-U55. Ele oferece suporte aos frameworks TensorFlow e PyTorch e é compatível com Arduino IDE. Com a plataforma de algoritmo SenseCraft AI, modelos de ML treinados podem ser implantados no sensor sem necessidade de codificação.
Suporte Versátil a Modelos de IA: Implante facilmente modelos de IA prontos ou personalizados a partir do SenseCraft AI, incluindo Mobilenet V1, V2, Efficientnet-lite, Yolo v5 e v8. Os frameworks TensorFlow e PyTorch são suportados.
Totalmente Open Source:Todos os códigos, arquivos de design e esquemáticos disponíveis para modificação e uso.
Ricos Dispositivos Periféricos: Inclui microfone PDM, slot para cartão SD, Type-C, interface Grove e outros periféricos.
SenseCAP K1100
O Kit de Protótipo de Sensor para Começar Rapidamente com LoRa® e IA
Implemente em 10 minutos, construa um projeto de AIoT em 3 etapas
Combinação de Tecnologias de ML e LoRa®
Compatível com mais de 400 sensores Grove para dar suporte a amplas aplicações
Integração de placa com plataformas principais para suporte em nuvem
Atualizável para sensores industriais da série SenseCAP
SenseCAP A1101
Sensor de imagem inteligente com TinyML Edge AI habilitado, suportando uma variedade de modelos de IA, como reconhecimento de imagem, contagem de pessoas, detecção de alvos, reconhecimento de medidores etc.
COMPATÍVEL COM TINYMLSuportado oficialmente pelo Edge Impulse, comece rapidamente a treinar e implantar seus modelos de ML!
Plataformas Compatíveis
Nossos dispositivos agora são suportados por um grande número de plataformas cooperativas e casos.
- Seeed Studio SenseCraft Model Assistant é um projeto open-source focado em IA embarcada.
- Edge Impulse é otimizado para aplicações baseadas em sensores.
- TensorFlow Lite é leve e otimizado para deep learning.
Ao oferecer suporte a essas plataformas, possibilitamos que desenvolvedores criem e implantem facilmente modelos de aprendizado de máquina em dispositivos de borda, desde microcontroladores até computadores de placa única.
SenseCraft Model Assistant
SenseCraft Model Assistant é um projeto open-source focado em IA embarcada, desenvolvido pela Seeed Studio. Ele oferece uma variedade de algoritmos otimizados para cenários do mundo real, tornando a implementação mais amigável e alcançando inferências mais rápidas e precisas em dispositivos embarcados.
SenseCraft Model Assistant atualmente suporta detecção de anomalias, visão computacional e algoritmos específicos de cenário, com mais a serem adicionados no futuro.
Ele fornece uma plataforma amigável para treinar com dados coletados e visualizar o desempenho dos algoritmos, e seus modelos são projetados para rodar em hardwares de baixo custo, como ESP32, placas de desenvolvimento Arduino e Raspberry Pi.
SenseCraft Model Assistant também oferece suporte a múltiplos formatos de exportação de modelos, incluindo TensorFlow Lite, ONNX e formatos especiais como TensorRT e OpenVINO. Com o SenseCraft Model Assistant, os desenvolvedores podem criar e implantar facilmente modelos de aprendizado de máquina em uma ampla gama de dispositivos embarcados.
Codecraft
Codecraft é baseado na linguagem Scratch 3.0 e permite programar simplesmente “arrastando e soltando” blocos. Além da capacidade do Scratch de programar jogos ou animações interativas, o Codecraft também oferece suporte a diversos dispositivos de hardware comuns, permitindo a integração entre hardware e software, o que torna a programação ainda mais divertida.
Com o Codecraft e o Wio Terminal, agora é possível vivenciar todo o processo de aprendizado de máquina embarcado sem ter que lidar com um ambiente de programação complexo e conhecimento avançado de programação.
Impulsionado pelo Edge Impulse, Tiny Machine Learning é facilmente acessível para iniciantes usando a programação gráfica do Codecraft. Com uma simples codificação de arrastar e soltar, adquirir dados, treinar e implantar modelos se torna mais intuitivo do que nunca.
Edge Impulse
Edge Impulse é uma poderosa plataforma de aprendizado de máquina para criar e implantar modelos de aprendizado de máquina embarcados.
Ela fornece aos desenvolvedores uma variedade de ferramentas para coletar e processar dados de sensores, projetar e treinar modelos de aprendizado de máquina e implantar esses modelos em dispositivos de borda.
Edge Impulse é otimizada para aplicações baseadas em sensores e oferece suporte a uma ampla gama de plataformas de hardware. Com o Edge Impulse, os desenvolvedores podem criar e implantar facilmente modelos de aprendizado de máquina em dispositivos embarcados, tornando-a uma ferramenta valiosa para aplicações de IoT e dispositivos inteligentes.
TensorFlow Lite
TensorFlow Lite é uma versão leve do popular framework de aprendizado de máquina TensorFlow, projetada para rodar em dispositivos embarcados e móveis.
Ele fornece aos desenvolvedores uma variedade de ferramentas para criar e implementar modelos de aprendizado de máquina em dispositivos com recursos limitados, incluindo suporte para aceleradores de hardware especializados.
TensorFlow Lite oferece suporte a uma grande variedade de plataformas de hardware e é particularmente adequado para aplicações de deep learning. Com TensorFlow Lite, os desenvolvedores podem facilmente criar e implementar modelos de aprendizado de máquina em dispositivos embarcados e móveis, tornando-o uma ferramenta valiosa para uma ampla gama de aplicações nos domínios de IoT, dispositivos móveis e dispositivos inteligentes.
Começar é Fácil
Vamos dar uma olhada nos tipos de coisas interessantes que o TinyML pode realizar!
TinyML no XIAO
| Edge Impulse no XIAO RP2040 & XIAO SAMD21 | Edge Impulse no XIAO nRF52840 Sense | TensorFlow Lite no XIAO nRF52840 Sense |
|---|---|---|
 |  |  |
| Este projeto abrange o treinamento e a implantação de modelos nas placas de desenvolvimento Seeed Studio XIAO SAMD21 e Seeed Studio XIAO RP2040. | Bem-vindo a este wiki de início rápido sobre como usar Edge Impulse com o Seeed Studio XIAO nRF52840 Sense! Neste guia, vamos explorar como usar o sensor IMU integrado para detectar movimentos humanos e classificar diferentes ações. | Este wiki demonstrará como você pode usar TensorFlow Lite no Seeed Studio XIAO nRF52840 Sense e detectar gestos como socar e flexionar usando o acelerômetro integrado. |
| Edge Impulse no XIAO ESP32S3 Sense | ||
 | ||
| Este projeto abrange o treinamento e a implantação de modelos nas placas de desenvolvimento Seeed Studio XIAO SAMD21 e Seeed Studio XIAO RP2040. | ||
TinyML no Wio Terminal
Wio Terminal é uma placa de desenvolvimento poderosa e fácil de usar, projetada para makers, hobbistas e entusiastas de IoT. Ela possui uma tela LCD de 2,4 polegadas, conectividade Wi‑Fi e Bluetooth, uma variedade de sensores e uma variedade de interfaces de entrada/saída.
Wio Terminal oferece suporte a uma variedade de linguagens de programação, incluindo Arduino, MicroPython, CircuitPython e muito mais, facilitando o início para os desenvolvedores. Com seu design compacto e portátil, o Wio Terminal é ideal para uma ampla gama de projetos, desde a criação de dispositivos inteligentes até a construção de protótipos para aplicações industriais.
| Edge Impulse no Wio Terminal | TensorFlow Lite no Wio Terminal | Codecraft TinyML no Wio Terminal |
|---|---|---|
 |  |  |
| Agora, o Wio Terminal é oficialmente suportado pelo Edge Impulse. Vamos ver como começar a usar o Wio Terminal com aprendizado de máquina bem na borda! | Este artigo apresenta como instalar a biblioteca oficial Arduino Tensorflow Lite no seu Wio Terminal, permitindo que você teste alguns modelos de Machine Learning usando o Wio Terminal. | Um projeto simples de reconhecimento de voz usando programação gráfica Codecraft, Wio Terminal e Edge Impulse. |
TinyML no Grove Vision AI
| Edge Impulse no Grove Vision AI |
|---|
| O Grove - Vision AI Module é uma placa do tamanho de um polegar baseada no processador Himax HX6537-A, que está equipada com uma câmera OV2640 de 2 megapixels, microfone, acelerômetro de 3 eixos e giroscópio de 3 eixos. Ele oferece armazenamento com flash SPI de 32 MB, vem pré-instalado com algoritmos de ML para reconhecimento facial e detecção de pessoas e também oferece suporte a modelos personalizados. É compatível com o ecossistema XIAO e com Arduino, o que o torna perfeito para começar com projetos de câmera com tecnologia de IA! É totalmente suportado pelo Edge Impulse, o que significa que você poderá amostrar dados brutos da câmera, criar modelos e implantar modelos de aprendizado de máquina treinados diretamente no módulo a partir do estúdio, sem necessidade de programação. |
TinyML no SenseCAP A1101
| Roboflow/ YOLOv5/ TensorFlow Lite no SenseCAP A1101 |
|---|
 |
| O Seeed SenseCAP A1101 - LoraWAN Vision AI Sensor é um sensor de IA de reconhecimento de imagens projetado para desenvolvedores. O SenseCAP A1101 - LoRaWAN Vision AI Sensor combina a tecnologia TinyML AI e a transmissão de longo alcance LoRaWAN para possibilitar uma solução de dispositivo de IA de baixo consumo de energia e alto desempenho para uso interno e externo. Este sensor possui a solução de visão de IA de alto desempenho e baixo consumo da Himax, que suporta o framework Google TensorFlow Lite e várias plataformas TinyML AI. Neste wiki, vamos ensinar você a treinar seu próprio modelo de IA para a sua aplicação específica e depois implantá-lo facilmente no SenseCAP A1101 - LoRaWAN Vision AI Sensor. Vamos começar! |
Curso de TinyML
Curso Codecraft com Wio Terminal
Ricos recursos curricularesEste curso é acompanhado por materiais de projeto completos e programas de código, e todos eles são de código aberto no GitHub. Todos os leitores são livres para usar e estudar mais a fundo.
Conteúdo do curso detalhado e fácil de entenderO curso foi desenvolvido pelo departamento EDU da Seeed Studio. O curso abrange princípios, implantação e aplicações, tornando as aulas dinâmicas e interessantes, enquanto o conteúdo do curso é completo e profissional.
Desenho curricular desde o inícioConsiderando a realidade da aprendizagem dos estudantes, cada aula, ou até mesmo todo o sistema curricular, é concebido para ir do superficial ao profundo. Para isso, o ensino é adaptado à capacidade do aluno.
Não são necessários fundamentos complexos de programaçãoO curso se concentra na programação usando a plataforma Codecraft desenvolvida pela Seeed Studio, uma plataforma de programação gráfica em blocos baseada no Scratch 3.0. Ela torna a programação mais fácil e divertida, e não exige que você tenha qualquer base no uso de linguagens de programação de alto nível.
Tutoriais Básicos de TinyML para Wio Terminal pela Seeed Studio
Tutoriais Wio Terminal Edge Impulse
| Construindo um Sistema de Reconhecimento Contínuo de Movimento com Machine Learning Embarcado | Reconhecimento de Cena de Áudio com o Wio Terminal Edge Impulse e Microfone Integrado | Contagem de Pessoas com Wio Terminal Edge Impulse e Sensor Ultrassônico |
|---|---|---|
 |  | |
| Neste tutorial mostramos como criar um sistema de machine learning capaz de detectar movimento contínuo, como amostrar dados de dispositivos reais, como projetar um pipeline de processamento de sinal e como implantar o modelo de volta ao dispositivo. | Neste projeto, vamos aprender como treinar e implantar um classificador de cena de áudio com o Wio Terminal e o Edge Impulse. Para mais detalhes e o tutorial em vídeo, assista ao vídeo correspondente! | Neste projeto, criaremos um sistema de contagem de pessoas usando o Wio Terminal, um sensor ultrassônico comum e um toque especial de Deep Learning para finalizar e realmente fazer tudo funcionar. |
| Detecção de Anomalias para Manutenção Preditiva com Wio Terminal Edge Impulse | Distinguir Bebidas com Sensor de Gás Multicanal usando Wio Terminal Edge Impulse | |
 |  | |
| Neste projeto, usaremos dados do acelerômetro integrado do Wio Terminal, realizaremos detecção de anomalias no próprio dispositivo e depois enviaremos os dados para a Blynk Edgent Cloud. | Neste wiki, apresentaremos como usar o Wio Terminal com Edge Impulse para simplesmente implantar um projeto de aprendizado de máquina. O Wio Terminal com os sistemas Grove pode ser muito poderoso, trazendo centenas de dados de sensores para análise e possivelmente avaliando diferentes cenários! | |
Tutoriais Wio Terminal TensorFlow Lite
| Wio Terminal Tensorflow Lite Micro Estação meteorológica inteligente com BME280 | Wio Terminal Tensorflow Lite Micro Reconhecimento de fala em MCU – Fala para intenção | Aprendizado de Máquina com Wio Terminal - Reconhecimento de Gestos |
|---|---|---|
 |  |  |
| Neste projeto vamos usar o Wio Terminal e o Tensorflow Lite para Microcontroladores para criar uma estação meteorológica inteligente, capaz de prever o clima e a precipitação nas próximas 24 horas com base em dados locais do sensor ambiental BME280. | Neste projeto vamos empregar um método mais eficiente e analisar diretamente as falas dos usuários em uma saída acionável na forma de intenção/slots. | Este tutorial demonstrará como usar o Wio Terminal para configurar um simples demo de aprendizado de máquina de reconhecimento de gestos com a ajuda do TensorFlow Lite. |
Tutoriais Wio Terminal TinyML por Udemy
Aplicação TinyML
Aqui mostraremos alguns ótimos exemplos dos nossos dispositivos TinyML. Esses estudos de caso serão categorizados por cenários de aplicação, então esperamos que você encontre algo de interesse aqui e se junte a nós na realização das suas ideias!
Interação Homem-Máquina
Usando a tecnologia TinyML é possível combinar dados de sensores com modelos de aprendizado de máquina para habilitar aplicações de interação humano-computador, como reconhecimento de fala, reconhecimento de gestos e reconhecimento de pose.
| Reconhecimento de Fala no XIAO nRF52840 Sense | TinyML Facilitado: Detecção de Anomalias e Classificação de Movimento | Brinquedo e Display com Controle de Voz usando XIAO nRF52840 e Edge Impulse |
|---|---|---|
 |  |  |
| Este wiki demonstrará como você pode usar TensorFlow Lite no Seeed Studio XIAO nRF52840 Sense e realizar reconhecimento de fala usando o microfone integrado. | Explorando Aprendizado de Máquina em um dispositivo tiny gigante, o Seeed XIAO nRF52840 Sense. | Este demo mostra ML embarcado controlando por voz a exibição de uma tela de animação e um brinquedo interessante com as placas XIAO nRF52840 Sense. |
| TinyML Facilitado: Reconhecimento de Gestos | Como Eu Construí um Nariz Artificial Conectado | Classificação de Líquidos com TinyML |
 |  |  |
| O Seeed Wio Terminal programado usando Codecraft/Edge Impulse é uma ferramenta fantástica para iniciantes começarem com tinyML (Aprendizado de Máquina Embarcado). | Nos últimos meses, trabalhei em um projeto bem legal que alguns de vocês talvez já tenham ouvido falar, pois de certa forma viralizou. Eu construí um nariz artificial DIY, de uso geral, que pode sentir praticamente qualquer coisa que você o ensinar a reconhecer! | Use sensores de qualidade da água para medir turbidez e realizar classificação de uma variedade de líquidos com um modelo de aprendizado de máquina rodando em um Seeed Studio Wio Terminal. |
| Jogue fisicamente o jogo do dinossauro do Chrome | Crie reconhecimento de escrita manual com Wio Terminal & Edge Impulse | |
 |  | |
| Neste projeto, vamos jogar fisicamente o jogo do dinossauro do Chrome com a ajuda de machine learning e eletrônica embarcada. | No tutorial de hoje, vou mostrar como você pode criar um dispositivo de reconhecimento de escrita manual baseado em machine learning com o Wio Terminal e o Edge Impulse. Siga este guia detalhado para aprender como um único sensor de tempo de voo pode permitir que você reconheça gestos de escrita manual e os traduza para texto! | |
Varejo
A tecnologia TinyML pode ser aplicada na indústria de varejo para previsão de vendas, análise de comportamento do cliente, otimização de recursos, prevenção de perdas e marketing inteligente, ajudando a alcançar uma gestão e operações de negócios mais inteligentes e eficientes.
| Rastreador de atividade para pets usando XIAO nRF52840 Sense & Edge Impulse | Smartwatch BLE com IA detectando possíveis danos causados pelo sol | Ar-condicionado de ar inteligente usando Person Sensor. Com Useful Sensor |
|---|---|---|
 |  |  |
| Nossos pets merecem mais para se manterem ativos. Um modelo tinyML prevê atividades com base nos dados provenientes do IMU de 3 eixos. | Registre dados de UV e clima em um cartão SD para treinar um modelo do Edge Impulse. Depois, execute-o para ser informado sobre danos causados pelo sol via BLE por meio de um app Android. | Como todos os outros dispositivos estão ficando mais inteligentes nesta era, por que não adicionar inteligência ao nosso querido e velho amigo de verão, o ar-condicionado de ar? Porém, e se um sensor pudesse apresentar diretamente características extraídas de dados de imagem? Isso não seria interessante? |
| TinyML 🧠 e Azure IoT com Edge Impulse e Wio Terminal | NMCS: No More Coffee Spills! | Câmera térmica com IA para acampamentos seguros |
 |  | |
| A primavera chegou, então posso atualizar meu alimentador de esquilos com Azure IoT e agora adicionar capacidades de Visão Computacional. Para fazer isso, vou adicionar capacidades TinyML ao meu alimentador usando Edge Impulse no cenário atual. | NMCS é um dispositivo que usa suas habilidades de ouvir e ver para garantir que seu café não derrame ao preparar o seu reforço de energia. | O modelo TinyML executando no Wio Terminal pode identificar se um animal ou humano está se aproximando, mesmo no escuro, e alertar os campistas. |
Agricultura
Usando a tecnologia TinyML é possível combinar dados de sensores com modelos de machine learning para automatizar irrigação, previsão do tempo e detecção de doenças e pragas nas lavouras.
| Kit de prevenção de esgotamento de areia baseado em visão (VSDP) | Avaliação do nível de irrigação por imagem térmica com TensorFlow | Previsão do tempo com Tensorflow Lite para microcontroladores |
|---|---|---|
 |  |  |
| Eu gostaria de criar uma infraestrutura conectada por LoRaWAN que tenha nós de IA de borda monitorando a região de esgotamento de areia. | Coletar dados de nível de irrigação por imagem térmica, construir e treinar um modelo de rede neural e executar o modelo diretamente no Wio Terminal. | No artigo de hoje, vamos usar Wio Terminal e Tensorflow Lite for Microcontrollers para criar uma estação meteorológica inteligente, capaz de prever o tempo e a precipitação nas próximas 24 horas com base em dados locais do sensor ambiental BME280. |
| Monitor de Ciclo de Crescimento de Algas Comestíveis | Sensor IoT de Deterioração de Alimentos e Dashboard de Monitoramento | Lago Inteligente - detecção precoce de floração de algas |
 |  |  |
| Eu decidi criar um sistema que ajudará a cultivar algas Spirulina em um espaço autônomo. | DeViridi é uma ferramenta inteligente com tecnologia IoT que pode ser usada para: monitorar as condições de armazenamento de alimentos e determinar a deterioração. | Usando dados de diferentes sensores e ML na borda, este dispositivo pode detectar sinais precoces de floração de algas e notificar autoridades ou cidadãos. |
| Identificador de Doenças de Árvores com IA em IoT com Edge Impulse & MMS | Detector de Garrafas Plásticas para Lago | NOMOS: sistema de monitoramento de crescimento de mosquitos |
 |  |  |
| Detecte doenças em árvores e seja informado dos resultados via MMS para evitar que se espalhem e prejudiquem florestas, fazendas e terras aráveis. | Para combater a poluição plástica para a vida marinha. Inspirado pelo icônico personagem de filme WALL-E, meu projeto busca conscientizar sobre o problema do lixo e o impacto que ele tem no meio ambiente. | Sistema de monitoramento de crescimento de mosquitos baseado em temperatura, umidade e fluxo de água nas linhas de esgoto para minimizar a propagação da dengue. |
| Construa uma Estação Meteorológica Inteligente TinyML com Wio Terminal! | Fight Fire 🔥 - Previsão de Incêndios Florestais usando TinyML | Sistema de alerta precoce de enxurradas |
 |  |  |
| Aprenda a construir sua própria estação meteorológica inteligente alimentada por aprendizado de máquina, desde a aquisição de dados até o treinamento e a implantação! | Fight Fire é um dispositivo de previsão de incêndios florestais que ajudará a autoridade de combate a incêndios a responder rapidamente ao fogo. | Esta ideia visa fornecer uma solução para gerar alertas precoces que permitam uma reação oportuna a desastres causados por enchentes repentinas ou avalanches. |
Industrial
Usando a tecnologia TinyML é possível combinar dados de sensores com modelos de aprendizado de máquina para automatizar e otimizar processos de produção, como controle de qualidade e manutenção de equipamentos.
| Detecção de anomalias com ML em elevadores com Edge Impulse & Notecard | Processamento de iogurte com IoT e IA & previsão de textura | Blynk | Detecção de vazamento em tanque de óleo usando tinyML |
|---|---|---|
 |  |  |
| Dispositivos de IoT permitem manutenção preditiva, garantindo desempenho consistente de elevadores comerciais e reduzindo reparos caros e tempo de inatividade. Isso é crucial para um fluxo eficiente de pessoas no prédio e para a segurança pública, produtividade, consumo de energia e qualidade de vida. | Coletar fatores ambientais e quantidade de cultura durante a produção de iogurte. Em seguida, executar um modelo de rede neural via Blynk para prever sua textura. | Este dispositivo com ML detecta cheiro de diesel e envia notificações em tempo real para o celular. Usando Wio Terminal, Edge Impulse & Blynk. |
| Robô operado por navegador web para detecção de vazamento de gás | Detecção de entupimento em tubulações com medidor de fluxo e TinyML | Detectar entupimento de dreno com Tiny ML + LoRa |
 |  | |
| Hidrogênio verde é uma energia alternativa que reduz emissões e cuida do nosso planeta. Porém, ainda está em estágios iniciais e a segurança é uma grande preocupação, pois vazamentos de hidrogênio devem ser evitados a todo custo. Para possibilitar a detecção precoce de vazamentos de gás, quisemos construir um grande robô operado remotamente para carregar o equipamento de detecção necessário. | Como solução proposta para o problema de entupimento de tubulações em operações industriais, estamos introduzindo o uso de inteligência artificial (IA) e aprendizado de máquina. Nosso sistema de IA usa dados de sensores de vazão para detectar entupimentos em tubulações analisando mudanças nas taxas de fluxo que podem indicar um bloqueio. | Usando um sensor inteligente externo - A1101 para detectar o acúmulo de folhas, flores e outros detritos em um ralo de varanda e alertar seu usuário. |
Saúde
TinyML pode ser aplicado ao monitoramento de saúde para ajudar a indústria médica a alcançar um monitoramento mais eficiente e preciso.
| Estetoscópio Inteligente com tecnologia Edge Impulse | Uma solução não invasiva para ondas de calor |
|---|---|
 |  |
| Um estetoscópio digital que ausculta e detecta anomalias no sistema respiratório usando tinyML na borda. | Neste projeto, construo um dispositivo que pode ser usado para detectar ondas de calor e acionar alguma ação para aliviar a pessoa, neste caso ligar o sistema de resfriamento do ar-condicionado usando um emissor IR. Como entrada, ele recebe dados multidimensionais de um sensor térmico infravermelho. Sua saída será uma classificação simples que nos notifica se uma pessoa é reconhecida e se ocorreu recentemente uma mudança repentina de temperatura. |
Transporte
| Carro robô ativado por voz em microcontrolador com TinyML |
|---|
 |
| Usando reconhecimento de voz com o microfone embutido, o Wio Terminal será capaz de reconhecer os comandos de ir, parar e ruído de fundo por meio de TinyML. |
Pecuária
| Monitor de Santuário de Vida Selvagem | Contagem e Monitoramento de Pinguins | Gate Keeper - Um Sistema de Detecção de Elefantes Baseado em IoT |
|---|---|---|
 |  |  |
| Um monitor de ambiente e animais de santuário de vida selvagem para manter a sustentabilidade do santuário. | Um POC para a construção de câmeras de reconhecimento de objetos com IA para detectar e contar pequenos pinguins-azuis conforme eles chegam à costa e vão para o mar. | Irá guiá-lo na construção de um detector de elefantes baseado em IoT com base no Grove AI Vision Module e no Wio Terminal. |
Microsoft Reactor
| Microsoft Reactor Parte 1 | Microsoft Reactor Parte 2 |
|---|---|
| A IA não está mais presa na nuvem. Em vez de depender de computadores poderosos com GPUs, os últimos anos trouxeram a IA para pequenos dispositivos graças ao TinyML – modelos de aprendizado de máquina que podem ser executados em microcontroladores. Você provavelmente já tem dispositivos ao seu redor que usam isso, desde alto-falantes inteligentes controlados por voz até rastreadores de fitness. Neste programa em 2 partes, Jim põe a mão na massa com TinyML, criando um rastreador de fitness que pode diferenciar entre remar e correr usando um pequeno microcontrolador da Seeed studios – o Seeed XIAO BLE. Treinar e implantar esses modelos é super complicado, então Jim conta com a ajuda do Edge Impulse, uma ferramenta online para capturar dados de treinamento e construir modelos TinyML. Depois que Jim tiver seu modelo, ele o implantará em seu dispositivo usando VS Code e PlatformIO, uma extensão para VS Code para desenvolvimento em microcontroladores. A partir daí, ele lidará com uma das complexidades de construir rastreadores de fitness de baixo consumo, a conectividade. Muitos rastreadores de fitness usam Bluetooth para sincronizar com um app de telefone, então Jim seguirá esse caminho, sincronizando dados de fitness com o Azure IoT Central a partir de um aplicativo móvel. | |
Contribua com Seu Projeto TinyML para Nós
Una forças para construir um repositório público de recursos para TinyML enviando seus projetos ou explorações! Ao compartilhar seu trabalho, você pode contribuir para a compreensão da comunidade sobre os desafios e oportunidades no campo de TinyML. Esteja você trabalhando em detecção de objetos, reconhecimento de fala ou qualquer outra aplicação TinyML, seus insights e experiências podem ajudar outras pessoas a aprender e inovar!
Suporte Técnico & Discussão de Produtos
Agradecemos por escolher nossos produtos! Estamos aqui para fornecer diferentes tipos de suporte para garantir que sua experiência com nossos produtos seja a mais tranquila possível. Oferecemos vários canais de comunicação para atender a diferentes preferências e necessidades.