Je vais concevoir le firmware TinyML de classification de capteurs pour stm32 et nrf
À propos de ce service
Souhaitez-vous que votre dispositif capteur reconnaisse localement les mouvements, les vibrations, les chocs ou d'autres événements sans dépendre d'une connexion cloud ?
Je travaille sur l'acquisition de capteurs intégrés, les pipelines DSP et l'intégration pratique de TinyML/Edge AI pour des microcontrôleurs à ressources limitées.
Ce que je propose :
Intégration d’IMU, d’accéléromètre et de capteur de vibration via I2C/SPI
Échantillonnage précis, mise en tampon et horodatage
Filtrage, FFT, RMS, caractéristiques spectrales et extraction de fenêtres d’événements
Prétraitement des données en Python et évaluation des événements étiquetés
Baselines basées sur des règles avant le machine learning lorsque c’est approprié
Intégration d’inférence compacte sur les cibles STM32/nRF prises en charge
Mesure de la charge CPU, latence, RAM, flash et impact sur l’alimentation
Mon expérience embarquée couvre Nordic, STM32, Zephyr et acquisition d’événements de capteur en temps réel à haut débit.
Les packs couvrent un prototype ; la conception de nouveau PCB, la collecte de datasets, les algorithmes médicaux réglementés et les tableaux de bord cloud sont séparés.
Veuillez partager votre modèle de capteur, votre dataset et les événements détectés requis avant de commander.
Plateforme:
STM32
Capteurs:
Accéléromètre
•
Son et vibration
•
Gyroscope
Mon portfolio
FAQ
Traduction automatique
Pouvez-vous construire un modèle si je n’ai pas de jeu de données ?
Nous pouvons commencer par l’enregistrement des données du capteur et un plan d’étiquetage des événements. Une classification complète nécessite des enregistrements et des étiquettes représentatifs.
L’inférence fonctionnera-t-elle directement sur le MCU ?
C’est l’objectif du service Premium si la mémoire cible, le calcul et les caractéristiques d’entrée le permettent. La faisabilité est vérifiée avant de s’engager sur une architecture de modèle.
