Начало работы
Это руководство проведёт вас через выбор оборудования, настройку среды разработки и запуск первого приложения машинного обучения на встраиваемом устройстве. Большинство студентов завершают настройку меньше чем за час.
Шаг 1. Выберите платформу
Выбор зависит от бюджета, учебных целей и типов приложений, которые вы хотите создавать.
Для начинающих и тех, кто ограничен в бюджете:
| Платформа | Стоимость | Почему стоит выбрать |
|---|---|---|
| Grove Vision AI V2 | ~$25 | Интерфейс без кода, самый быстрый путь к запуску моделей |
| XIAOML Kit | ~$40 | Лучшее соотношение цены и возможностей: зрение, звук и движение |
Для продвинутых приложений:
| Платформа | Стоимость | Почему стоит выбрать |
|---|---|---|
| Raspberry Pi | ~$60–80 | Полноценная среда Linux, LLM и VLM |
| Nicla Vision | ~$95 | Профессиональный уровень, сверхнизкое энергопотребление |
Подробные характеристики и технические сравнения см. на странице «Платформы».
Шаг 2. Настройте среду разработки
Настройка среды зависит от платформы, но всегда следует одной схеме: установить программные инструменты, настроить связь с оборудованием и проверить, что всё работает.
Ориентировочное время: 30–60 минут в зависимости от платформы и скорости интернета.
Полные инструкции см. в руководстве по настройке среды разработки. В нём описаны:
- требования к компьютеру для разработки;
- установка Arduino IDE для платформ на микроконтроллерах;
- настройка среды Python для Raspberry Pi;
- веб-интерфейс SenseCraft AI для Grove Vision AI V2;
- настройка последовательной связи (Serial) и проверка оборудования.
Шаг 3. Выберите первую лабораторную работу
Каждая платформа поддерживает разные категории упражнений. Выбирайте работы, которые подходят и вашему оборудованию, и учебным целям.
| Категория работы | Grove Vision | XIAOML Kit | Nicla | Raspberry Pi |
|---|---|---|---|---|
| Классификация изображений | ✓ | ✓ | ✓ | ✓ |
| Обнаружение объектов | ✓ | ✓ | ✓ | ✓ |
| Распознавание ключевых слов | ✓ | ✓ | ||
| Классификация движения | ✓ | ✓ | ||
| Большие языковые модели (LLM) | ✓ | |||
| Визуально-языковые модели (VLM) | ✓ |
Доступность упражнений по платформам
Шаг 4. Начните первую лабораторную работу
Grove Vision AI V2: начните с раздела «Настройка и приложения без кода». Вы развернёте предобученную модель за несколько минут в визуальном интерфейсе.
XIAOML Kit: начните с раздела «Настройка», затем перейдите к разделу «Классификация изображений», чтобы обучить и развернуть свою первую модель.
Nicla Vision: пройдите «Настройку», чтобы подготовить плату, и попробуйте «Классификацию изображений».
Raspberry Pi: выполните «Настройку», затем выберите путь:
- «Классификация изображений» — основы компьютерного зрения;
- «Развёртывание LLM» — запуск языковых моделей на периферийных устройствах.
Предварительные требования
Лабораторные работы рассчитаны на следующую подготовку:
- Программирование: уверенное владение Python. Знание C/C++ полезно для платформ на микроконтроллерах, но не обязательно.
- Математика: рабочее знание линейной алгебры и основ теории вероятностей на уровне бакалавриата.
- Оборудование: опыт работы со встраиваемыми системами не нужен. Каждая лабораторная работа содержит полные инструкции по настройке и поиску неисправностей.
Связь с учебником «Machine Learning Systems»
Эти лабораторные работы дополняют отдельные главы учебника «Machine Learning Systems»:
- Лабораторные работы по классификации изображений закрепляют материал глав о компьютерном зрении и оптимизации моделей;
- Лабораторные работы по распознаванию ключевых слов связаны с главами об обработке аудио и инференсе в реальном времени;
- Лабораторные работы по классификации движения демонстрируют слияние данных датчиков и анализ временных рядов;
- Лабораторные работы по LLM и VLM переносят развёртывание больших моделей в среду с ограниченными ресурсами.
Каждая лабораторная работа указывает соответствующие разделы учебника для более глубокого теоретического изучения.