SensiML为SensorTile.box提供端到端的人工智能工具包

本文编译自ST官方博客

有没有一种可以简化边缘机器学习算法的创建和验证的方法？这是SensiML在2020 ST虚拟开发者大会期间的一个热门演讲。AI在展会上有着重要的影响力，在讨论中，小组成员解释了客户如何开始要求具有机器学习功能的产品。因此，我们认为有必要与ST 合作伙伴计划成员SensiML的创始人兼CEO Chris Roger坐下好好聊聊，了解团队在ST开发者大会上所介绍的工具和其重要性。

挑战：前端数据收集

尽管专家们已经讨论了多年，但边缘机器学习仍然是一项年轻的技术。因此，工程师通常不得不依赖于许多不同的工具和复杂的工作流程。因此，当团队开发从一个步骤转到下一个步骤时，他们可能会面临更大的挑战。SensiML通过包含数据捕获、算法生成和验证的端到端工具包解决了开发挑战。此外，SensiML解决方案也是透明的，并且可以通过GUI和Python IDE进行扩展。因此，即便团队掌握了机器学习，依然可以利用该工具包。事实上，该公司提供了许多教程，包括视频教程等。因此，我们认为有必要进一步推动讨论，并决定与Chris讨论TinyML应用程序的一些主要缺陷，以及他的团队正在做些什么来进一步优化这一工作流。

数据采集

仓库和传感器数据SensorTile.box支持

数据捕获本身就是一个很难解决的问题，因为那些没有数据的人必须进行大量的投资才能获得数据，而拥有数据的人肯定自己保留数据，不愿共享。因此，SensiML是一个独特的合作伙伴，因为该公司解决了这两个问题。首先，它提供了一个作为数据集库的数据仓库。有些示例甚至还附带了一些教程，以帮助刚接触机器学习应用程序的团队。其次，SensiML工具箱连接到SensorTile.box并利用ST的传感器平台收集信息。只需点击几下鼠标，SensiML软件就可以通过串行端口传输传感器收集的数据。

从BLE到MQTT

正如Chris在谈话中解释的那样，“快速连接SensorTile.box并立即捕获数据的能力是SensiML与ST合作的成果。SensiML开始开发Sensotile的第一个版本，并收到了来自ST团队的反馈。我们的工程师接着着手研究SensorTile.box还有STWIN传感器套件。我们还将通过共享简单的决策树模型来支持LSM6DSOX及其机器学习核心，这些模型展示了唤醒MCU的不同方法。”

Chris还介绍了工程师是如何使用SensorTile来评估BLE的局限性的。协议的低数据率迫使他们依赖外部存储卡，因为系统不能一次传输所有的数据。因此，SensiML团队意识到，他们需要采用更强大的传输技术，尤其是工业应用。Chris解释说，他的团队致力于使用MQTT协议与ST传感器进行传输，这需要花时间调试，他们最终使用了串口MQTT来降低开销，同时从更高的数据速率中获益。今天，SensiML用户只需一个选项就可以充分利用所有功能。

优化工作流

自动标记

SensiML展示之所以引人注目的另一个原因是，它解决了一个经常被设计师忽视的挑战：标签。拥有一个或多个人工智能项目的团队知道数据收集有多困难。我们最近在分享ST工程师如何开发出婴儿啼哭探测器应用程序时强调了这一点，数据采集具有挑战性。然而，一旦工程师有了数据集，他们仍然需要对其进行标记，这是另一个具有巨大影响的复杂过程。大多数与之竞争的框架都是从庞大的CSV文件开始的，这些文件非常笨拙，所以标记过程变得非常繁琐。

SensiML通过捕捉信号并标记信号的工具解决了这个问题。例如，它的Data Insight技术可以自动化标记操作。用户首先描述了几十个例子，然后，工具箱会推断出它认为的相同样本。因此，工程师只需验证工具的自动标签或更改一些误报的数据。最终，这个过程会变得简单、快速和愉快，SensiML还提供版本控制功能。如果团队处理多个数据集，并且由于出现问题而希望回溯到以前的注释，则可以使用回滚功能返回。

使用STM32CubeMX和LSM6DSOX

此外，Chris还告诉我们，工作流优化的下一步是更好地与STM32CubeMX交互。

他表示：“SensiML正在研究与ST配置工具的接口。我们的软件与SensorTile.box可以搭配很好，但STM32CubeMX为我们提供了各种定制和开发板。我们的目标是使程序成为我们工作流程的一部分，这样用户在其中花费的时间更少。我们在SensiML中有一系列关于传感器和MCU配置的文件。我们的团队目标是不再由用户手动生成它们，而是为他们完成部分工作，以加快客户的原型设计阶段。”