VIP20
本课程属于：019-Arm Ethos-U NPU模型部署 工业控制与工业互联网 · 共 20 门相关课程，组合学习更完整。
查看所属VIP全部课程 →
← 返回所属目录 咨询 / 购买

TinyML异常检测模型在Ethos-U上的NPU部署实战

共计 30 章节
点击此处阅读海量试读课程：100+行业、1000+细分领域
01
课程导入
TinyML与异常检测概述 · Ethos-U NPU简介 · 课程目标与学习路径
课程导入TinyML
02
TinyML基础
嵌入式机器学习概念 · 资源约束 · 典型应用场景（预测性维护
TinyML嵌入式机器学习概…
03
异常检测核心概念
异常类型（点异常 · 上下文异常 · 集体异常）
异常检测核心概念异常类型
04
常用异常检测模型
自编码器 · 孤立森林 · 单类SVM
常用异常检测模型自编码器
05
Ethos-U NPU架构详解
硬件加速器特性 · 算子支持 · 内存层次
Ethos-UNPU
06
开发环境搭建
STM32CubeMX · STM32CubeIDE · Vela编译器
开发环境搭建STM32CubeMX
07
模型选择与设计
针对异常检测的轻量化模型设计原则 · 量化感知训练 · 模型压缩技术
模型选择设计
08
数据准备与预处理
传感器数据采集 · 清洗 · 归一化
数据准备预处理
09
模型训练与验证
使用TensorFlow/Keras… · 评估指标（准确率 · 召回率
模型训练验证
10
模型量化与优化
INT8量化 · 量化感知训练 · 剪枝
模型量化优化
11
Vela编译器使用
模型转换流程 · 优化选项 · 生成NPU可执行文件（.vela）
Vela编译器使用
12
X-CUBE-AI集成
将模型部署到STM32工程 · 生成C代码 · 调用NPU运行时
X-CUBE-AI集成
13
Ethos-U运行时集成
CMSIS-NN · NPU驱动 · 内存管理
Ethos-U运行时集成
14
实战案例一
基于自编码器的振动数据异常检测 · 从训练到部署全流程
实战案例一基于自编码器的振…
15
实战案例二
基于LSTM的时间序列异常检测 · 处理时序数据并部署到Ethos-U
实战案例二LSTM
16
实战案例三
多传感器融合异常检测 · 使用CNN+注意力机制 · 优化NPU性能
实战案例三多传感器融合异常…
17
性能调优
分析NPU利用率 · 内存带宽 · 算子融合
性能调优NPU
18
功耗优化
动态电压频率调整 · 低功耗模式 · 推理频率控制
功耗优化动态电压频率调整
19
模型更新与OTA
在设备端进行模型热更新 · 考虑存储和带宽限制
OTA模型更新
20
常见问题与调试
部署失败 · 精度下降 · 内存溢出
常见问题调试
21
安全与可靠性
模型鲁棒性 · 对抗样本 · 故障注入测试
安全可靠性
22
边缘-云协同
本地异常检测与云端分析结合 · 数据同步策略
边缘云协同
23
项目实战
从需求分析到产品化 · 完整项目流程（如工业电机异常监测）
项目实战从需求分析到产品…
24
测试与验证
在真实硬件上验证模型 · 对比仿真结果 · 确保实时性
测试验证
25
进阶技巧
使用NPU的硬件加速特性（如Wino… · FFT）提升模型效率
进阶技巧NPU
26
多任务学习
同时进行异常检测和故障分类 · 共享特征提取器
多任务学习同时进行异常检测
27
模型可解释性
在TinyML中实现简单的可解释性方… · 如特征重要性
模型可解释性TinyML
28
生态与工具链扩展
TFLite Micro · Edge Impulse · STM32Cube.AI等工具对比与…
生态工具链扩展
29
综合挑战
设计一个完整的TinyML异常检测系… · 要求低延迟 · 高精度
综合挑战TinyML
30
课程总结与展望
回顾关键知识点 · 探讨未来趋势（如NPU发展 · 自适应模型）
课程总结回顾关键知识点