边缘AI（Edge AI）

硬件

• OpenMV：一款支持MicroPython的摄像头，基于ARM Cortex M6/M7，支持丰富的计算机视觉算法，并且现在已支持TensorFlow Lite。
• JeVois：支持TensorFlow的摄像头模块。
• Edge TPU：Google专门为边缘推理设计的ASIC。
• Movidius：Intel的SoC家族，专为低功耗设备的计算机视觉和神经网络应用设计。
  • UP AI Edge：基于Intel Movidius VPU（Myriad 2和Myriad X）和Intel Cyclone FPGA的产品线。
  • DepthAI：基于Myriad X的集深度和AI功能的嵌入式平台。
• NVIDIA Jetson：高性能嵌入式模块，适用于深度学习、计算机视觉、GPU计算和图形处理。
  • Jetson TX1
  • Jetson TX2
  • Jetson Nano
• AIR-T：高性能的无线电收发器，集成了深度学习硬件。
• Kendryte K210：双核RISC-V芯片，配有64个卷积神经网络加速单元。
  • Sipeed M1：基于K210的模块，增加了WiFi连接和外部闪存。
  • M5StickV：AIoT摄像头，基于Kendryte K210。
  • UNIT-V：AI摄像头，基于K210的低端版。
• Kendryte K510：三核RISC-V处理器，配有AI加速器。
• GreenWaves GAP8：基于RISC-V的芯片，具有卷积操作硬件加速功能。
• Ultra96：基于Xilinx UltraScale+ MPSoC FPGA的嵌入式开发平台。
• Apollo3 Blue：由Ambiq Micro的Cortex M4驱动的SparkFun Edge开发板。
• Google Coral：基于Google Edge TPU的硬件和软件平台。
  • 开发板
  • USB加速器
  • PCIe / M.2模块
• Gyrfalcon Lighspeeur：为边缘计算优化的芯片家族。
• ARM microNPU：用于加速机器学习推理的处理器（如Ethos-U55）。
• Espressif ESP32-S3：类似于ESP32的SoC，支持AI加速。
• Maxim MAX78000：基于Cortex-M4的SoC，包含CNN加速器。
• Beagleboard BeagleV：开源RISC-V Linux板，包含神经网络引擎。
• Syntiant TinyML：基于Syntiant NDP101神经决策处理器和SAMD21 Cortex-M0+的开发套件。

软件

• TensorFlow Lite：用于移动和嵌入式设备的轻量级机器学习推理解决方案，具有低延迟和小巧的二进制文件。
• TensorFlow Lite for Microcontrollers：专门为微控制器及其他小内存设备移植的TF Lite版本。
• Embedded Learning Library (ELL)：微软的库，用于将智能机器学习模型部署到小型单板计算机上。
• uTensor：基于mbed（ARM芯片RTOS）和TensorFlow的AI推理库。
• CMSIS NN：高效的神经网络内核，最大化Cortex-M处理器上的性能并最小化内存占用。
• ARM Compute Library：图像处理、计算机视觉和机器学习的优化函数集合。
• Qualcomm Neural Processing SDK for AI：库，供开发者在Snapdragon平台上运行神经网络模型。
• ST X-CUBE-AI：生成STM32 MCU上优化的神经网络工具包。
• ST NanoEdgeAIStudio：工具生成可加载到STM32 MCU的模型。
• NNoM：专为微控制器设计的神经网络库，支持CMSIS-NN。
• nncase：用于Kendryte K210的开源深度学习编译器。
• deepC：针对嵌入式平台的深度学习编译器和推理框架。
• uTVM：开源的工具，用于优化张量程序。
• Edge Impulse：交互式平台，用于生成可运行在微控制器上的模型。
• Qeexo AutoML：生成适用于微控制器的AI模型的平台。
• mlpack：C++编写的轻量级机器学习库，支持在MPU上进行设备端学习。
• AIfES：平台独立的AI软件框架，专为嵌入式系统优化。
• onnx2c：将ONNX模型转换为C代码的编译器，适用于TinyML。

其他有趣的资源

• 边缘计算基准测试 (2019年5月)
• 用于边缘AI的硬件基准 - 开源立方卫星工作坊2018
• 为什么在边缘进行机器学习？
• 教程：在OpenMV相机上进行低功耗深度学习
• TinyML：用TensorFlow在Arduino和超低功耗微控制器上进行机器学习 - Pete Warden、Daniel Situnayake著。
• tinyML峰会：每年在美国加州举办的会议。
• TinyML论文和项目：TinyML/EdgeAI领域最新的论文和项目集。
• MinUn：在微控制器上实现精确的ML推理。

贡献指南

• 请先检查是否有重复。
• 保持描述简洁、明了且无偏见。
• 每次建议请单独提交。
• 如有必要，请添加新的类别。