NanoEdge? AI Studio*（NanoEdgeAIStudio）是一種新型機器學習（ML）技術，可以讓終端用戶輕松享有真正的創(chuàng)新成果。只需幾步，開發(fā)人員便可基于最少量的數據為其項目創(chuàng)建最佳ML庫。
*附件：nanoedgeaistudio.pdf
軟件下載：https://stm32ai.st.com/download-nanoedgeai/

演示版可免費試用三個月。專業(yè)版為嵌入式開發(fā)人員提供了按年度的單個或團隊許可。

為幫助用戶啟動其項目，意法半導體推出了Edge AI Sprint包，以限制風險和投資，同時提高成功幾率。這是包括培訓課程、NanoEdge? AI Studio許可證和技術支持的打包服務。

檢查數據摘要中的訂購信息部分，以了解更多信息，或聯(lián)系意法半導體銷售辦事處或授權業(yè)務合作伙伴，以處理訂單。

NanoEdge? AI Studio也可簡稱為Studio，是面向開發(fā)人員的基于PC的按鍵式開發(fā)工作組合，可運行在Windows ^?^ 或Linux^?^ Ubuntu ^?^ 上。

NanoEdge? AI Studio的一大優(yōu)勢是無需專門的數據科學技能即可使用。任何使用Studio的軟件開發(fā)人員無需人工智能(AI)技能，即可通過其用戶友好的環(huán)境創(chuàng)建最佳ML庫。

Studio可生成四種類型的庫：異常檢測、異常值檢測、分類和回歸庫。

異常檢測庫由顯示正常和異常行為的最小數量的數據示例生成。在創(chuàng)建后，可將庫加載到微控制器，以直接在設備上進行訓練和推理。庫通過從本地采集的數據來學習設備行為，并適應每種設備行為。完成訓練后，庫推理過程將來自設備的數據與本地創(chuàng)建的模型進行比較，以識別和報告異常。

異常值檢測可用于通過某類分類法檢測任何異常。無需異常行為示例。將正常信號導入Studio并輕松創(chuàng)建優(yōu)化的異常值檢測ML庫。

分類庫可用于對數據集合進行分類，代表不同類型的設備缺陷（如軸承問題、空化問題或其他問題）或設備環(huán)境中不同類型的事件。將信號導入Studio，只需幾步即可創(chuàng)建ML分類庫，以便將所有信息收集到單個庫中。在微控制器上運行時，分類器會分析實時數據并指示與此靜態(tài)信息的相似度（百分比）。

回歸算法可用于推理數據和預測未來的數據模式。將信號與目標值導入到桌面工具中，并通過幾個步驟來生成智能庫，以改進能源管理或預測設備的剩余壽命。

這些庫可組合和鏈接：用于檢測設備問題的異?；虍惓Ｖ禉z測、用于識別問題來源的分類、用于推理信息和為維護團隊提供實際見解的回歸分析。

輸入信號可能為振動、壓力、聲音、磁場、飛行時間等，也可能為多個信號的組合?？蓪⒍鄠€傳感器組合到單個庫中，或同時使用多個庫。

學習和推導均通過NanoEdge? AI自主學習庫直接在微控制器內部進行，能夠簡化AI流程，并大大節(jié)省開發(fā)工作量與成本，從而縮短上市周期。

• 所有功能

  

  • 用于設計和生成STM32優(yōu)化庫：異常和異常值檢測、特征分類、時間和多變量信號推理
    • 異常檢測庫使用非常小的數據集設計：直接在STM32微控制器上學習異常并實時檢測缺陷
    • 用于異常值檢測的特定類分類庫，采用非常小的數據集：在設備正常運行期間采集數據并檢測任何異常模式偏差
    • 采用非常小的帶標簽數據集的N類分類庫：對信號進行實時分類
    • 借助回歸庫使用小型分段數據集進行推理：基于以前從未見過的數據模式預測未來的值
  • 支持任何類型的傳感器：振動、磁力計、電流、電壓、多軸加速度計、溫度、聲學等
  • 從數百萬種可能的算法中進行篩選，以找到在準確性、保密性、推理時間和內存占用方面最優(yōu)的庫
  • 生成代碼量極少的庫，甚至能夠在最小的Arm^?^ Cortex ^?^ -M0微控制器上運行
  • 嵌入式仿真器，可通過連接的STM32板或測試數據文件實時測試庫性能
  • 原生支持STM32開發(fā)板，無需配置
  • 可以跨各種STM32微控制器系列輕松移植
    
    NanoEdge? AI Studio文檔： https://wiki.st.com/stm32mcu/wiki/Category:NEAI_-_Documentation

  NanoEdge? AI Studio教程：https://wiki.st.com/stm32mcu/wiki/Category:NEAI_-_Tutorials