Tinyml: Aprendizaje automático con Tensorflow Lite en Arduino y microcontroladores de muy bajo consumo

Opiniones de los lectores

El libro proporciona un recurso práctico para los desarrolladores interesados en implementar el aprendizaje automático en dispositivos con recursos limitados, con ejemplos prácticos centrados en TensorFlow y edge computing. Sin embargo, adolece de recursos obsoletos y soporte limitado para usuarios de Windows, lo que puede suponer un reto para algunos lectores.

Bien escrito y atractivo, accesible a desarrolladores de todos los niveles.

Enfoque práctico con demostraciones y ejemplos en Google Colab.

(basado en 40 opiniones de lectores)

Título original:

Tinyml: Machine Learning with Tensorflow Lite on Arduino and Ultra-Low-Power Microcontrollers

Contenido del libro:

Las redes de aprendizaje profundo son cada vez más pequeñas. Mucho más pequeñas. El equipo de Google Assistant puede detectar palabras con un modelo de tan solo 14 kilobytes de tamaño, lo suficientemente pequeño como para ejecutarse en un microcontrolador. Con este práctico libro entrarás en el campo de TinyML, donde el aprendizaje profundo y los sistemas embebidos se combinan para hacer posibles cosas asombrosas con dispositivos diminutos.

Pete Warden y Daniel Situnayake explican cómo se pueden entrenar modelos lo suficientemente pequeños como para caber en cualquier entorno. Esta guía, ideal para desarrolladores de software y hardware que deseen crear sistemas embebidos con aprendizaje automático, le guiará paso a paso en la creación de una serie de proyectos TinyML. No es necesario tener experiencia en aprendizaje automático ni en microcontroladores.

⬤ Construye un reconocedor de voz, una cámara que detecta personas y una varita mágica que responde a gestos.

⬤ Trabajar con Arduino y microcontroladores de ultra-bajo consumo.

⬤ Aprende los fundamentos del ML y cómo entrenar tus propios modelos.

⬤ Entrenar modelos para entender datos de audio, imagen y acelerómetro.

⬤ Explorar TensorFlow Lite para Microcontroladores, el conjunto de herramientas de Google para TinyML.

⬤ Depurar aplicaciones y proporcionar garantías de privacidad y seguridad.

⬤ Optimizar la latencia, el uso de energía y el tamaño de modelos y binarios.