Mikrodenetleyiciler için LiteRT, makine öğrenimi modellerini çalıştırmak üzere tasarlanmıştır.
mikrodenetleyicilerde ve yalnızca birkaç kilobayt belleğe sahip diğer cihazlarda kullanılabilir. İlgili içeriği oluşturmak için kullanılan
temel çalışma zamanı, Arm Cortex M3'te 16 KB'a sığar ve pek çok temel çalışma zamanı ile
modeller. İşletim sistemi desteği gerektirmez. Standart C veya C++
ya da dinamik bellek ayırmanızı sağlar.
Mikrodenetleyiciler neden önemlidir?
Mikrodenetleyiciler genellikle
temel hesaplama gerektiren donanımlara yerleştirilmiş haldedir. Makineyi getirerek
öğrendiğimizde, küçük mikrodenetleyicilere sahip olduğumuz milyarlarca
ev aletleri ve internetin interneti de dahil olmak üzere hayatımızda kullandığımız
Pahalı donanımlara veya güvenilir internet bağlantısı olmadan ihtiyacınız olan cihazlar
ve çoğu zaman bant genişliği ve güç kısıtlamalarına tabi olan
yüksek gecikmeye yol açar. Bu yöntem gizliliğin korunmasına da yardımcı olur. Çünkü hiçbir veri
cihazdan ayrılır. Günlük rutininize uyum sağlayan akıllı cihazları hayal edin
akıllı ve akıllı endüstriyel sensörleri
problemler, normal işleyiş ve çocukların eğlenerek öğrenmesine yardımcı olabilecek sihirli oyuncaklar.
bir araya getirmek.
Desteklenen platformlar
Mikrodenetleyiciler için LiteRT, C++ 17 sürümünde yazılmıştır ve 32 bit gerektirir
platformu. Pek çok işlemciyle kapsamlı bir şekilde test edilmiştir.
Arm Cortex-M Serisi
benimsenmiş ve farklı mimarilere taşınmıştır.
ESP32. İlgili içeriği oluşturmak için kullanılan
çerçeve, Arduino kütüphanesi olarak da kullanılabilir. Aynı zamanda çeşitli paydaşlarla
Mbed gibi geliştirme ortamları için uygundur. Açık kaynaktır ve
her tür C++ 17 projesi için geçerlidir.
Her örnek uygulama açık
GitHub
ve desteklenen uygulamalara nasıl dağıtılabileceğini açıklayan bir README.md dosyası içerir.
platformlar. Bazı örneklerde belirli bir
platformuna gidin:
Hello World -
LiteRT kullanımı hakkında temel bilgileri gösterir.
Mikrodenetleyiciler
Şu komutu kullanarak C bayt dizisine dönüştürün:
standart araçları kullanarak
program belleğinde bulunan salt okunur.
C++ kitaplığını ve işlemi kullanarak cihazda çıkarım çalıştırma
daha iyi olur.
Sınırlamalar
Mikrodenetleyiciler için LiteRT, sektörün belirli kısıtlamalarına
geliştirmeyi öğreneceksiniz. Daha güçlü cihazlar üzerinde çalışıyorsanız (
gibi yerleşik bir Linux cihazı kullanıyorsanız,
LiteRT çerçevesinin entegre edilmesi daha kolay olabilir.
[[["Anlaması kolay","easyToUnderstand","thumb-up"],["Sorunumu çözdü","solvedMyProblem","thumb-up"],["Diğer","otherUp","thumb-up"]],[["İhtiyacım olan bilgiler yok","missingTheInformationINeed","thumb-down"],["Çok karmaşık / çok fazla adım var","tooComplicatedTooManySteps","thumb-down"],["Güncel değil","outOfDate","thumb-down"],["Çeviri sorunu","translationIssue","thumb-down"],["Örnek veya kod sorunu","samplesCodeIssue","thumb-down"],["Diğer","otherDown","thumb-down"]],["Son güncelleme tarihi: 2025-07-24 UTC."],[],[],null,["# LiteRT for Microcontrollers is designed to run machine learning models\non microcontrollers and other devices with only a few kilobytes of memory. The\ncore runtime just fits in 16 KB on an Arm Cortex M3 and can run many basic\nmodels. It doesn't require operating system support, any standard C or C++\nlibraries, or dynamic memory allocation.\n| **Note:** The [LiteRT for Microcontrollers Experiments](https://experiments.withgoogle.com/collection/tfliteformicrocontrollers) features work by developers combining Arduino and TensorFlow to create awesome experiences and tools. Check out the site for inspiration to create your own TinyML projects.\n\nWhy microcontrollers are important\n----------------------------------\n\nMicrocontrollers are typically small, low-powered computing devices that are\nembedded within hardware that requires basic computation. By bringing machine\nlearning to tiny microcontrollers, we can boost the intelligence of billions of\ndevices that we use in our lives, including household appliances and Internet of\nThings devices, without relying on expensive hardware or reliable internet\nconnections, which is often subject to bandwidth and power constraints and\nresults in high latency. This can also help preserve privacy, since no data\nleaves the device. Imagine smart appliances that can adapt to your daily\nroutine, intelligent industrial sensors that understand the difference between\nproblems and normal operation, and magical toys that can help kids learn in fun\nand delightful ways.\n\nSupported platforms\n-------------------\n\nLiteRT for Microcontrollers is written in C++ 17 and requires a 32-bit\nplatform. It has been tested extensively with many processors based on the\n[Arm Cortex-M Series](https://developer.arm.com/ip-products/processors/cortex-m)\narchitecture, and has been ported to other architectures including\n[ESP32](https://www.espressif.com/en/products/hardware/esp32/overview). The\nframework is available as an Arduino library. It can also generate projects for\ndevelopment environments such as Mbed. It is open source and can be included in\nany C++ 17 project.\n\nThe following development boards are supported:\n\n- [Arduino Nano 33 BLE Sense](https://store-usa.arduino.cc/products/arduino-nano-33-ble-sense-with-headers)\n- [SparkFun Edge](https://www.sparkfun.com/products/15170)\n- [STM32F746 Discovery kit](https://www.st.com/en/evaluation-tools/32f746gdiscovery.html)\n- [Adafruit EdgeBadge](https://www.adafruit.com/product/4400)\n- [Adafruit LiteRT for Microcontrollers Kit](https://www.adafruit.com/product/4317)\n- [Adafruit Circuit Playground Bluefruit](https://learn.adafruit.com/tensorflow-lite-for-circuit-playground-bluefruit-quickstart?view=all)\n- [Espressif ESP32-DevKitC](https://www.espressif.com/en/products/hardware/esp32-devkitc/overview)\n- [Espressif ESP-EYE](https://www.espressif.com/en/products/hardware/esp-eye/overview)\n- [Wio Terminal: ATSAMD51](https://www.seeedstudio.com/Wio-Terminal-p-4509.html)\n- [Himax WE-I Plus EVB Endpoint AI Development Board](https://www.sparkfun.com/products/17256)\n- [Synopsys DesignWare ARC EM Software Development Platform](https://www.synopsys.com/dw/ipdir.php?ds=arc-em-software-development-platform)\n- [Sony Spresense](https://developer.sony.com/develop/spresense/)\n\nExplore the examples\n--------------------\n\nEach example application is on\n[GitHub](https://github.com/tensorflow/tflite-micro/blob/main/tensorflow/lite/micro/examples)\nand has a `README.md` file that explains how it can be deployed to its supported\nplatforms. Some examples also have end-to-end tutorials using a specific\nplatform, as given below:\n\n- [Hello World](https://github.com/tensorflow/tflite-micro/blob/main/tensorflow/lite/micro/examples/hello_world) - Demonstrates the absolute basics of using LiteRT for Microcontrollers\n - [Tutorial using any supported device](./get_started)\n- [Micro speech](https://github.com/tensorflow/tflite-micro/blob/main/tensorflow/lite/micro/examples/micro_speech) - Captures audio with a microphone to detect the words \"yes\" and \"no\"\n - [Tutorial using SparkFun Edge](https://codelabs.developers.google.com/codelabs/sparkfun-tensorflow/#0)\n- [Person detection](https://github.com/tensorflow/tflite-micro/blob/main/tensorflow/lite/micro/examples/person_detection) - Captures camera data with an image sensor to detect the presence or absence of a person\n\nWorkflow\n--------\n\nThe following steps are required to deploy and run a TensorFlow model on a\nmicrocontroller:\n\n1. **Train a model** :\n - *Generate a small TensorFlow model* that can fit your target device and contains [supported operations](./build_convert#operation_support).\n - *Convert to a LiteRT model* using the [LiteRT converter](./build_convert#model_conversion).\n - *Convert to a C byte array* using [standard tools](./build_convert#convert_to_a_c_array) to store it in a read-only program memory on device.\n2. **Run inference** on device using the [C++ library](./library) and process the results.\n\nLimitations\n-----------\n\nLiteRT for Microcontrollers is designed for the specific constraints of\nmicrocontroller development. If you are working on more powerful devices (for\nexample, an embedded Linux device like the Raspberry Pi), the standard\nLiteRT framework might be easier to integrate.\n\nThe following limitations should be considered:\n\n- Support for a [limited subset](./build_convert#operation_support) of TensorFlow operations\n- Support for a limited set of devices\n- Low-level C++ API requiring manual memory management\n- On device training is not supported\n\nNext steps\n----------\n\n- [Get started with microcontrollers](./get_started) to try the example application and learn how to use the API.\n- [Understand the C++ library](./library) to learn how to use the library in your own project.\n- [Build and convert models](./build_convert) to learn more about training and converting models for deployment on microcontrollers."]]
