Módulo de software de machine learning MPLAB®

de produçãocom inteligência artificialplug-in

Visão geral
MPLAB® Machine Learning Development Suite Model Builder permite que engenheiros projetem, treinem e convertam modelos de machine learning compactos para reconhecimento de sensores IoT em tiny‑edge. Disponível como extensão para Visual Studio Code (via MPLAB for VS Code) e como plug‑in para MPLAB® X IDE, o Model Builder gera código de inferência otimizado e artefatos de firmware direcionados a Microchip MCUs, dsPIC® DSCs e MPUs.

Principais recursos

• Construir algoritmos compactos de aprendizado supervisionado e detecção de anomalias para dispositivos edge com recursos limitados (MCU, dsPIC DSC, MPU)
• Automatizar o fluxo de trabalho ML: preparação de dados, extração de características, treinamento, validação e conversão do modelo para firmware
• Ferramentas integradas de rotulagem e filtragem de dados para preparar conjuntos de dados
• Geração de código protótipo assistida por AutoML para acelerar prazos de desenvolvimento
• Opções de ajuste de parâmetros para desenvolvedores ML avançados
• Criar pipelines adequados para implantações em produção
• Gerar firmware de nível de produção compatível com dispositivos de 8, 16 e 32 bits e toolchains Microchip XC

Documentação e entrega
Materiais de início rápido e documentação de suporte (incluindo um guia Getting Started em PDF) são fornecidos. O Model Builder é distribuído como extensões de editor e plug‑ins de IDE que se integram às toolchains Microchip comuns e geram código pronto para firmware e artefatos de implantação.

Cenários de uso

• Reconhecimento por sensor em edge (voz, atividade/movimento, detecção de anomalias) em hardware com recursos limitados
• Prototipagem rápida de produtos embarcados com ML usando código gerado por AutoML
• Geração de firmware de produção para produtos baseados em MCU/MPU com suporte aos compiladores Microchip XC

Especificações técnicas

• Modos de entrega: extensão VS Code (MPLAB for VS Code) e plug‑in MPLAB X IDE
• Dispositivos alvo: MCUs de 8, 16 e 32 bits, dsPIC® DSC e MPU
• Tipos de ML suportados: aprendizado supervisionado e detecção de anomalias otimizados para tiny‑edge
• Fluxo de trabalho automatizado: preparação de dados, extração de características, treinamento, validação e conversão do modelo
• Recursos AutoML para acelerar a geração de código protótipo
• Saídas: código de inferência otimizado, artefatos prontos para firmware e compatibilidade com compiladores Microchip XC
• Inclui documentação e guia Getting Started em formato PDF