Skip to content

Different TensorFlow Lite Model (fully-connected, CNN, LSTM) are created and deployed on different devices (ESP-32, Arduino Nano 33 BLE, ESP8266) and compared in terms of inference time and memory footprint.

Notifications You must be signed in to change notification settings

lbedogni/tinyMLproject

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 

History

2 Commits
 
 
 
 
 
 
 
 
 
 

Repository files navigation

TinyML Performance Evaluation

Repository del progetto "TinyML Performance Evaluation" di IoT (Gabriele Savoia). E' composta nel seguente modo:

  • file TinyMLperformanceEval.pdf: report completo del progetto;
  • folder python: contiene i notebook e i dataset usati per la creazione delle reti neurali ed anche il notebook per l'elaborazione dei risultati come grafici;
  • folder device_code: contiene una cartella per ogni tipo di problema trattato (room occupancy detection, drowsiness detection, time series e la quantizzazione). Per ciascuna è riportato il codice relativo a ogni device (ESP-32, Arduino Nano 33 BLE Sense, ESP-8266). Per ESP-32 e ESP-8266 è stato usato PlatformIO, mentre per Arduino Nano 33 BLE Sense è usato Arduino IDE. Per poter eseguire Arduino è necessario scaricare le opportune librerie (Arduino_TensorFlowLite e EloquentTinyML) che non sono presenti in questo repository.

About

Different TensorFlow Lite Model (fully-connected, CNN, LSTM) are created and deployed on different devices (ESP-32, Arduino Nano 33 BLE, ESP8266) and compared in terms of inference time and memory footprint.

Resources

Stars

Watchers

Forks

Releases

No releases published

Packages

No packages published