隨著產品越來越復雜，具有了更強大的處理能力和更高的速度，使得機器學習（ML）技術逐漸擴展到邊緣應用。借助eIQ軟件，現在可以非常輕松地將新的ML模型引入邊緣設備。

機器學習(ML)是一個有助于簡化現代生活的復雜過程。它使產品和設備能夠快速準確地預測、學習和執行復雜的任務。兩個大家熟悉的使用案例：

Amazon Alexa，使用語音識別技術來控制智能家居；

自動駕駛車輛，通過目標檢測技術提升駕駛員的安全。

隨著產品越來越復雜，具有了更強大的處理能力和更高的速度，使得ML技術逐漸擴展到邊緣應用。借助eIQ軟件，現在可以非常輕松地將新的ML模型引入邊緣設備。

六月初，在恩智浦Connects大會上發布了部分EdgeVerse產品組合，其中eIQ ML軟件開發環境采用行業領先技術，能夠將基于ML的應用部署到嵌入式設備中。該軟件設計用于我們的微處理器和微控制器產品線，它為工程師提供了一個框架，可以在其中轉換ML模型，從而在邊緣設備上實現快速部署。

這一過程涉及優化模型，以及與系統的“學習中樞”，即神經網絡(NN)推理引擎匹配。借助eIQ開發工具，可以非常輕松地完成這項任務，同時還提供將ML模型與底層計算引擎連接所需的各層。實質上，它橋接了所有必需的工具，可以讓新的ML模型投入量產，并集成在復雜的應用中，例如能夠執行攝像頭或視頻輸入、安全以及無線通訊（恩智浦支持所有這些功能）等功能。初始版本支持i.MX RT跨界處理器和i.MX 8應用處理器。

更輕松的開發流程

推理引擎和庫是ML的構建模塊和訓練基礎，工程師可以運用這些技術資源形成新的見解以及探索新的可能性。

隨著ML技術的不斷進步，開源引擎和庫迅速激增。除了eIQ軟件開發環境中的各種其他工具，我們還提供基于流行的開源框架（例如，Arm NN、TensorFlow Lite和OpenCV）的神經網絡驅動引擎。這讓工程師擁有更大的自由度和更多選擇來探索和開發ML模型。

更廣泛的邊緣智能應用

eIQ軟件開發環境的推出，意味著機器學習創新不再受設備資源限制。工程師可以使用基于云的工具或本地服務器工具，構建自己的訓練模型，然后將模型引入elQ環境，以生成適用的推理引擎。然后將推理引擎加載到邊緣設備上運行。

這是機器學習技術的重大進步，并將進一步促進該領域的各種創新可能性。