LiteRT dla mikrokontrolerów służy do uruchamiania modeli systemów uczących się
na mikrokontrolerach i innych urządzeniach, które mają zaledwie kilka kilobajtów pamięci.
podstawowe środowisko wykonawcze mieści się w porcie Arm Cortex M3 o wielkości 16 KB i może działać
modeli ML. Nie wymaga obsługi systemu operacyjnego ani standardowych języków C lub C++
biblioteki i dynamiczną alokację pamięci.
Dlaczego mikrokontrolery są ważne
Mikrokontrolery to zwykle małe urządzenia o małej mocy obliczeniowej,
w sprzęcie, który wymaga podstawowych obliczeń. Przy użyciu komputera
przy użyciu maleńkich mikrokontrolerów, możemy zwiększyć inteligencję miliardów
używanych przez nas w życiu codziennym, np. sprzętu AGD czy internetu
Urządzenia – bez drogiego sprzętu i niezawodnego internetu.
które często podlegają ograniczeniom przepustowości i mocy,
wiąże się z dużym czasem oczekiwania. Może to też pomóc chronić prywatność, ponieważ żadne dane
opuszcza urządzenie. Wyobraź sobie inteligentne urządzenia, które mogą dostosować się do codziennych
rutynowych, inteligentnych czujników przemysłowych, które rozumieją różnicę między
problemy i normalne działanie, a także magiczne zabawki, które pomogą dzieciom w nauce przez zabawę.
i ciekawe sposoby.
Obsługiwane platformy
LiteRT dla mikrokontrolerów jest napisane w C++ 17 i wymaga 32-bitowego kodu
platformy. Została gruntownie przetestowana z wieloma procesorami opartymi na
Seria Arm Cortex-M
architektury i została przeniesiona do innych architektur,
ESP32.
platforma jest dostępna jako biblioteka Arduino. Może też generować projekty na potrzeby
takich jak Mbed. Jest to rozwiązanie typu open source,
dowolny projekt w C++ 17.
Każda przykładowa aplikacja jest włączona
GitHub
i ma plik README.md, który wyjaśnia, w jaki sposób można go wdrożyć w obsługiwanym środowisku
platform. Niektóre z nich zawierają też kompleksowe samouczki dotyczące
platformy, zgodnie z poniższym opisem:
Hello World (Witaj, świecie)
Przedstawia absolutne podstawy korzystania z LiteRT w
Mikrokontrolery
Przekonwertuj na tablicę bajtową za pomocą
standardowych narzędzi do przechowywania
pamięci programu tylko do odczytu.
Uruchom wnioskowanie na urządzeniu za pomocą biblioteki C++ i procesu.
wyniki.
Ograniczenia
LiteRT dla mikrokontrolerów został zaprojektowany z myślą o konkretnych ograniczeniach
w projektowaniu mikrokontrolerów. Jeśli pracujesz na wydajniejszych urządzeniach (na przykład
np. wbudowanego urządzenia z systemem Linux, takiego jak Raspberry Pi), standardem
Integracja platformy LiteRT może być łatwiejsza.
[[["Łatwo zrozumieć","easyToUnderstand","thumb-up"],["Rozwiązało to mój problem","solvedMyProblem","thumb-up"],["Inne","otherUp","thumb-up"]],[["Brak potrzebnych mi informacji","missingTheInformationINeed","thumb-down"],["Zbyt skomplikowane / zbyt wiele czynności do wykonania","tooComplicatedTooManySteps","thumb-down"],["Nieaktualne treści","outOfDate","thumb-down"],["Problem z tłumaczeniem","translationIssue","thumb-down"],["Problem z przykładami/kodem","samplesCodeIssue","thumb-down"],["Inne","otherDown","thumb-down"]],["Ostatnia aktualizacja: 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."]]
