TinyML機器學習

你的購物車是空的

${{ (item.variation.media ? item.variation.media.alt_translations : item.product.cover_media.alt_translations) | translateModel }}$ ${{ (item.variation.media ? item.variation.media.alt_translations : item.product.cover_media.alt_translations) | translateModel }}$

{{ childProduct.title_translations | translateModel }}

{{ getChildVariationShorthand(childProduct.child_variation) }}

{{ getSelectedItemDetail(selectedChildProduct, item).childProductName }} x {{ selectedChildProduct.quantity || 1 }}

{{ getSelectedItemDetail(selectedChildProduct, item).childVariationName }}

{{item.quantity}}x NT$0 {{ item.unit_point }} 點

刪除

${{addonItem.product.cover_media.alt_translations | translateModel}}$

{{addonItem.quantity}}x {{ mainConfig.merchantData.base_currency.alternate_symbol + "0" }}

刪除

TinyML機器學習

微型機器學習(Tiny Machine Learning,TinyML)是一項新興的技術，旨在將機器學習能力應用於資源有限的嵌入式設備上。傳統上，機器學習通常需要強大的計算資源和高度的能耗，但TinyML的目標是在小型設備上實現機器學習的功能，例如智能手錶、嵌入式感測器和物聯網裝置。

TinyML的優勢之一是其低功耗需求，低佔用空間的微控制器設備（例如 Arduino、ESP32、ARM）上開發和部署 ML 模型。這使得它在許多應用上非常有用，尤其是對於需要長時間運行的應用程序。通過在設備本地運行機器學習模型，TinyML可以實現即時的預測和決策，無需依賴於雲端服務。

然而，由於資源的限制，TinyML也面臨著一些挑戰。例如，模型的大小和複雜度需要進行優化，以適應設備的限制。此外，訓練和部署模型需要考慮到設備的計算能力和存儲限制。

隨著技術的發展，TinyML機器學習在各種應用領域中具有巨大的潛力。它可以應用於健康監測、智能家居、工業自動化等領域，為許多設備帶來更智能的能力。

XIAO ESP32S3

XIAO nRF52840

Wio Terminal

Grove Vision AI

Grove Vision AI V2

SenseCAP K1100

支援平台:

Seeed Studio SenseCraft Model Assistant is an open-source project focused on embedded AI.

Edge Impulse is optimized for sensor-based applications.

TensorFlow Lite is lightweight and optimized for deep learning.