来自 Microchip Technology 的机器学习解决方案
人工智能28 5月 2025
机器学习（ML）的强大功能取决于数据输入和数据训练方法的质量。而且，从零开始构建一个机器学习训练模型可能极其困难。在本文中，我们将探讨 Microchip 提供的各种高质量机器学习模型、产品、系统和解决方案。
探索前沿的微芯片技术机器学习世界，在这里您能够轻松创建和实施先进模型。无论您是进入微控制器单元 (MCUs) 和微处理器单元 (MPUs) 的领域，还是寻求用于图像分类和视频应用的专用工具，这套全面的解决方案都能满足您的需求。
建立您自己的模型
使用MPLAB® 机器学习开发套件进行MCU/MPU开发
通过Microchip的MPLAB®机器学习开发套件，开启您的机器学习之旅，该套件无缝集成为MPLAB® X IDE中的插件。这一全面的解决方案简化了整个流程——从数据收集到模型测试——最终为Microchip MCUs/MPUs生成量身定制的知识包。
这些精心设计的机器学习评估工具包专门用于惯性测量单元 (IMU) 应用，重点关注振动和传感器数据分析。探索以下卓越的平台：
- 采用基于SAMD21G18的Arm® Cortex®-M0+架构的32位MCU。
- 配备有板载调试器 (nEDBG)、ATECC608A CryptoAuthentication™ 安全元件 IC 和 ATWINC1510 Wi-Fi® 网络控制器。
- 配备基于SAMD21G18 Arm Cortex-M0+的32位MCU。
- 包括车载调试器（nEDBG）、ATECC608A CryptoAuthentication安全元件IC和ATWINC1510 Wi-Fi网络控制器。
Curiosity Nano 评估套件
自带模型
如果您有一个预训练的 DNN 模型，可以根据您的使用场景选择使用 Microchip MPU 或 FPGA。
适用于音频/图像/低帧率视频机器学习应用（MPUs）：
- 使用标准 API 将 TensorFlow 模型转换为 TensorFlow Lite 模型
- 使用 MPLAB Harmony V3 将 ML 运行时引擎（TensorFlow Lite 模型）与外设无缝集成
用于低功耗和高帧率视频应用（FPGA）：
- 微芯片 FPGA 为苛刻应用提供了独特的解决方案
- 利用 VectorBlox™ 加速器 SDK，轻松将高层次深度神经网络转换为 TensorFlow Lite，即使没有FPGA设计经验也能完成
评估工具包
开始使用
- 步骤 1：安装VectorBlox™ 软件开发套件 (SDK)并阅读编程指南
- 第 2 步：选择 PolarFire® FPGA 或 PolarFire SoC FPGA 系列
- 步骤 3：选择相应的视频套件并前往对应的 GitHub 位置，按照指引设置 VectorBlox SDK 环境：
- 步骤4：下载 Libero® SoC Design Suite 2023.1
- 步骤 5：生成并合并* Libero SoC 设计套件银牌许可证 和 CoreVectorBlox 许可证
*请参考 Libero 软件 快速入门指南 第 7.3 节，了解如何合并这些许可证。
通过微芯科技加速您的机器学习探索。体验评估套件的强大功能和易用性，释放智能计算的潜力。
评估工具包
MCU/MPU的参考设计：
FPGA参考设计：
额外资源：
文章标签
全球
Microchip Technology
文章
人工智能 (AI)
机器学习
