一个利用边缘AI实现山火警报的实际案例( 二 )
文章图片
目前 , 收集的数据是由神经网络分类的两类 , 得到的模型性能如下图所示:
文章图片
该模型是使用EdgeImpulse的C++库部署的 , 该库与平台无关 , 可以在任何目标设备的任何IDE上构建 。
该模型是此类项目的关键推动因素 , 因为如果没有将智能融入进MCU , 则需要将传感器数据传输回服务器进行推理 。 来回传输数据是一项能源密集型任务 , 会大量消耗电池电量 。 下图是设备在运行时的电流消耗情况:
文章图片
为了可持续地使用太阳能运行该设备 , 它需要消耗的能量少于产生的能量 。 在每毫瓦功率至关重要的用例中 , EdgeML对进一步降低功耗和硬件BOM成本具有深远的影响 。
- 菜鸟驿站|开一个菜鸟驿站的步骤是什么?
- 安卓|最后一个安卓大版本更新?国行三星S10推送One UI 4,基于安卓12
- 语音助手|买时“肉疼”,越用却越上瘾的7样小物件,每一个都戳中家居痛点
- 程序员|我们欠阿里的,可能不止“花呗”,也许还有一个“道歉”
- 阿里巴巴|我们欠阿里的,可能不止“花呗”,也许还有一个“道歉”
- 小米科技|小米12 Ultra:一个好消息,一个坏消息,可能让你失望了
- store|三周被罚一个亿,苹果为何不愿向反垄断低头
- 罗振宇|我们欠阿里的,可能不止“花呗”,也许还有一个“道歉”
- 5G|加、巴、法就华为5G改口表态,公开支持,对华为来说这是一个转折
- ssd|花5000买国产旗舰,使用一个月后,我重点谈谈拍照体验