学习日记，嵌入式机器学习领域edge impluse 的使用（一）

最新推荐文章于 2025-05-11 23:22:39 发布
最新推荐文章于 2025-05-11 23:22:39 发布
阅读量1.8k 收藏 1
点赞数 1
CC 4.0 BY-SA版权
文章标签： 学习 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_44780179/article/details/127918398
本文介绍如何使用EdgeImpulse平台在嵌入式设备上实现环境声音的分类与识别，涵盖模型训练、特征提取及部署等关键步骤。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

最近任务需求，需要在嵌入式平台上对环境声音进行分类，识别，同时也要低功耗运行，因此，找到了Edge Impluse 这个平台，该平台基于tesorflow架构的，也可以自己导入pytorch模型，通过量化，可以将模型量化到很小，在一些单片机上也可以运行
入门第一步，进入网站，注册，自动进入新手教程，新手教程是自己训练一个语音唤醒的模型。简单的步骤，跳过。
添加数据集
该步骤自动加噪，生成更多的样本进行学习。
设计网络结构
在这里设置网络结构，第一步设计时域信息，第二步设计声学信息提取，第三步设计神经网络分类器。最后保存参数即可。
接下来，就是提取特征
特征提取
点击一下生成特征在这里插入图片描述
下一步设计mel-filter的参数，不知道怎么设计就默认就好
这一步是开始训练神经网络，设置一些学习率和训练轮数，一般不能设置得太大，训练时间不能超过20分钟
在这里插入图片描述
训练完之后可以进行模型测试，模型部署。先写那么多

Taki.R
关注
使用Edge Impulse 和机器学习基于ESP32 实现异常检测系统
DT程序员的博客
06-30 1046
本教程介绍如何使用 Edge Impulse 和机器学习来实现ESP32 异常检测系统。将检测二氧化碳浓度和挥发性有机化合物何时出现异常。
使用Edge Impulse和机器学习实现嵌入式异常检测系统
CyberBytezZ的博客
09-12 610
利用嵌入式设备的实时性和低功耗特性，可以在设备本地进行异常检测，减少对云端计算资源的依赖，提高响应速度和隐私保护。然后，使用Edge Impulse的命令行工具或API，将训练好的模型转换为适用于ESP8266的格式，并将其加载到设备中。例如，如果我们要检测温度传感器的异常行为，可以收集一段时间内正常工作时的温度数据，以及已知异常状态下的温度数据。然后，使用Edge Impulse的数据标注工具，对收集到的数据进行标注，以便训练机器学习模型。其中，异常检测是一项重要的任务，用于监测和识别系统中的异常行为。
Edge Impulse,一种云端AI平台
码农17年的博客
12-13 6139
云端AI平台EdgeImpulse，可以做什么呢？可以帮助AI算法工程师进行模型训练，目前还有比较常用的工具如Tensor flow，有时候甚至需要利用算力更快的服务器集群去训练神经网络模型。 而Edge impulse是一个免费的模型训练平台，非常便捷的使用方法，致力于实现嵌入式系统的边缘计算开发，可以上传被训练的数据、打标、NN模型训练、优化、部署。 上传数据： 训练： 部署： ...
嵌入式机器学习平台Edge Impulse图像分类 – 快速入门
晨之清风
05-11 930
EdgeImpulse是一个适用于边缘设备的人工智能平台，支持从微控制器到网关等多种设备。用户可以通过其平台构建数据集、训练模型并优化库，直接在设备上运行AI应用。平台支持图像分类等多种AI任务，用户可以使用手机等设备收集数据，并通过平台设计、训练和测试模型。EdgeImpulse还提供了详细的文档和教程，帮助用户从入门到部署模型，支持将模型部署到多种设备上，如ESP32开发板，为开发者提供了一个全面的边缘AI解决方案。
零基础的嵌入式机器学习：Edge Impulse使用教程之训练模型浅析(1)——分类模型
热门推荐
m0_56041246的博客
07-19 2万+
Edge Impulse是一个应用于嵌入式领域的在线的机器学习网站，不仅为用户提供了一些现成的神经网络模型以供训练，还能直接将训练好的模型转换成能在单片机MCU上运行的代码，使用方便，容易上手。本文就Edge Impulse的三大模型之一的分类模型进行浅析。 针对于图像的分类识别模型，读者可参考OpenMv或树莓派等主流图像识别单片机系统的现有历程，容易上手，简单可靠。单击此处转到——星瞳科技OpenMv 所以接下来的分析主要是针对数据进行识别的分类模型。...
Edge Impulse使用教程之训练模型(接上文)
m0_71774906的博客
07-27 1892
generate features栏，直接创建，我创建的训练模型不太清晰（戴眼镜和不戴眼镜差别不大，而且背景杂）选择学习域和学习参数（还是默认）然后start training，可以看出训练准确度。通过model testing可以检测 剩下用于20%检测训练模型的图像 的准确度。versioning可以创建个第n.n版本的，以方便后续修改和查找。模型创建，选默认的带星号的就行，然后save impulse。image栏parameters中默认就行。deployment导出OpenMV代码。
零基础的嵌入式机器学习：Edge Impulse使用教程之训练模型浅析(2)——回归(预测)模型
m0_56041246的博客
07-22 4285
Edge Impulse的回归模型可以从数据中学习模式，并将其应用于新数据。 非常适合预测数字连续值。
edgeimpulse训练模型（以垃圾分类为例）
2201_75911673的博客
10-14 4695
使用deployment部署到硬件上去，我使用的是openmv，直接在上面提供的硬件中找到openmv选择build，就会在电脑上下载到一个压缩包。要配置前面两个，都选择默认带星号的，然后观察有无四个标签，有的话就是正确的，（在点击这个之前好像会跳出了一个什么东西的，那个点否，否则会清除标签好像）先在桌面新建一个文件夹，然后打开openmv ide，在上面菜单栏中选择工具—数据集编辑器—新的数据集。这边还有一个versioning，是保存版本的，上面有retrain model重新训练的，
edge impluse平台
02-28
Edge Impulse 是一款专为开发人员设计的平台，旨在简化嵌入式设备上的机器学习应用部署过程[^1]。该平台提供了完整的工具链来收集数据、训练模型并将其部署到微控制器和其他边缘设备上。 #### 主要特点： - **自动...
Edge Impulse导出的Arduino库中支持ESP32S3的ESP-NN
03-11
Edge Impulse导出的Arduino库中支持ESP32S3的使用ESP NN加速器文件。 Edge Impulse导出的Arduino库中支持ESP32S3的使用ESP NN加速器文件。 Edge Impulse导出的Arduino库中支持ESP32S3的使用ESP NN加速器文件。 Edge ...
edge impluse 怎么在云端部署音频训练模型
最新发布
07-20
3. **Edge Impulse官方托管**：使用Edge Impulse的托管服务，直接通过其服务器调用模型（适合快速原型开发）。 ### 步骤3：调用云端模型 以REST API方式为例，调用代码示例（Python）： ```python import requests ...
嵌入式机器学习
09-25
机器学习移植到嵌入式平台，不再依靠网络，上位机运行神经网络与机器学习。内有说明和源代码，利用野火429开发板调试成功，大家学习交流一下。
TinyML：Edge Impulse训练图片分类模型
zxfeng的博客
03-10 5415
基于Edge Impulse进行图片分类模型的训练
使用 Edge Impulse 进行 TinyML ESP CAM 的边缘图像分类
SUYUMM的博客
09-14 390
接下来，打开 “Sketch” 菜单并选择 “Include Library” -> “Add .ZIP Library”，然后选择并导入 ESP CAM 库文件。在本文中，我们将介绍如何使用 Edge Impulse 平台进行边缘图像分类，并将分类模型部署到 TinyML ESP CAM 上。下载完成后，解压缩该文件，并将其中的 “model-parameters” 文件夹和 “tflite-model” 文件夹复制到 TinyML ESP CAM 的开发环境中。现在，我们可以开始编写代码了。
嵌入式+机器学习
qq_28609735的博客
01-02 5465
嵌入式结合机器学习方向的两篇比较好的文章，记录一下。 1、https://www.zhihu.com/question/302531700/answer/554219886 2、http://www.elecfans.com/d/611618.html
运用Edge Impulse实现MCU机器学习，试试吧~
12-21 3621
作者|Andrea Garrapa（意大利）译者|禾沐将AI应用带到边缘终端设备（智能手机、可穿戴、汽车和物联网设备等）可以降低功耗，并减少数据中心资源的负载，其中在MCU上实现机...
OpenMV利用EDGE IMPULSE训练模型(创建SSL上下文错误)
m0_71774906的博客
07-27 1232
OpenMV+EDGE IMPULSE训练+创建SSL上下文错误
机器学习嵌入式实现：嵌入在机器学习中的应用
CyberBytezZ的博客
09-09 1020
机器学习的嵌入式实现可以为这些系统带来更高的智能化和自主决策能力，下面将介绍几个常见的机器学习嵌入式应用。通过使用适合嵌入式设备的轻量级模型和优化算法，可以在资源受限的环境下实现高效的机器学习推理。随着技术的不断发展，嵌入式机器学习将在各个领域中发挥越来越重要的作用，为智能化的未来做出贡献。然而，随着物联网和嵌入式系统的迅速发展，将机器学习应用于嵌入式设备中成为了一项具有挑战性和前景广阔的任务。这些示例代码演示了机器学习在嵌入式系统中的应用，包括目标识别、动作识别和语音识别。
机器学习在嵌入式系统中的应用
yueqian_edu的博客
11-29 2131
　　机器学习已经从一个有趣的研究课题迅速发展成为一个广泛应用的有效解决方案。其明显的有效性迅速提高了来自AI理论家社区之外不断增长的开发人员群体的兴趣。在某些方面，机器学习开发能力正在发展到一个广泛可用的水平，与其他建立在坚实理论基础上的技术一样。开发一个有用的、高精度的机器学习应用程序绝非易事。尽管如此，不断增长的机器学习生态系统极大地减少了对底层算法深入理解的需求，并使越来越多的嵌入式开发人员对机器学习开发更感兴趣，而不是对理论更感兴趣。本文试图重点介绍神经网络模型开发中使用的一些关键概念和方法，这本身
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值