Softwaremodul / machine learning MPLAB®

für ProduktionKI-gestütztPlug-in

Übersicht
MPLAB® Machine Learning Development Suite Model Builder ermöglicht Ingenieuren das Entwerfen, Trainieren und Konvertieren kompakter Machine‑Learning‑Modelle für die Sensorerkennung im Tiny‑Edge. Als Visual Studio Code‑Erweiterung (via MPLAB for VS Code) und als Plug‑in für MPLAB® X IDE ausgeliefert, erzeugt der Model Builder optimierten Inferenzcode und Firmware‑Artefakte für Microchip‑MCUs, dsPIC® DSCs und MPUs.

Hauptfunktionen

• Erstellung kompakter überwachter Modelle und Anomalie‑Erkennungsalgorithmen für ressourcenbeschränkte Edge‑Geräte (MCU, dsPIC DSC, MPU)
• Automatisierung des ML‑Workflows: Datenaufbereitung, Feature‑Extraktion, Training, Validierung und Modellkonvertierung in Firmware
• Integrierte Tools zum Labeln und Filtern von Daten zur Vorbereitung von Datensätzen
• AutoML‑gestützte Prototyp‑Code‑Generierung zur Beschleunigung der Entwicklung
• Parameter‑Tuning‑Optionen für fortgeschrittene ML‑Entwickler und Embedded‑Ingenieure
• Erstellung von Pipelines für produktionsreife ML‑Deployments
• Erzeugung produktionsfähiger Firmware kompatibel mit 8‑, 16‑ und 32‑Bit‑Geräten und Microchip XC‑Toolchains

Dokumentation und Bereitstellung
Umfangreiche Startunterlagen und begleitende Dokumentation (einschließlich eines Getting Started‑PDFs) sind verfügbar. Der Model Builder wird als Editor‑Erweiterungen und IDE‑Plug‑ins verteilt, integriert sich in gängige Microchip‑Toolchains und erzeugt firmwarebereiten Code und Bereitstellungsartefakte.

Anwendungsszenarien

• Edge‑Sensorerkennung (Sprache, Aktivität/Bewegung, Anomalieerkennung) auf ressourcenbeschränkter Hardware
• Schnelles Prototyping von ML‑basierten Embedded‑Produkten mit AutoML‑generiertem Code
• Produktion von Firmware für MCU/MPU‑basierte Produkte mit Unterstützung der Microchip XC‑Compiler

Technische Daten

• Bereitstellungsmodi: VS Code‑Erweiterung (MPLAB for VS Code) und MPLAB X IDE‑Plug‑in
• Zielgeräte: 8‑, 16‑, 32‑Bit‑MCUs, dsPIC® DSCs und MPUs
• Unterstützte ML‑Typen: überwachte Lernverfahren und Anomalieerkennung, optimiert für Tiny‑Edge
• Automatisierter Workflow: Datenaufbereitung, Feature‑Extraktion, Training, Validierung und Modellkonvertierung
• AutoML‑Funktionen zur Beschleunigung der Prototyp‑Code‑Erstellung
• Ausgaben: optimierter Inferenzcode, firmwarebereite Artefakte und Kompatibilität mit Microchip XC‑Compilern
• Enthält Dokumentation und einen Getting Started‑Leitfaden im PDF‑Format