Ver categorias
Explorar
Fiverr Pro
Português
$
USD
Vou desenvolver firmware tinyml para detecção de anomalias em sensores e classificação de movimento
Firmware de IA de borda TinyML para sensores inteligentes ESP32 e produtos embarcados
Desenvolvo firmware embarcado para dispositivos inteligentes que processam dados de sensores localmente e respondem em tempo real. Meu foco inclui IA de borda ESP32 S3, implantação de TinyML, inferênc...
Sobre este Serviço
Eu desenvolvo soluções de aprendizado de máquina embarcado para detecção de anomalias em sensores, classificação de movimento, monitoramento de vibração e protótipos de manutenção preditiva.
Meus serviços incluem aquisição de dados de sensores, pré-processamento, filtragem, janelamento, extração de características, integração de modelos e inferência no dispositivo. Posso ajudar a implantar modelos leves de IA em microcontroladores suportados, como ESP32 e STM32, usando ferramentas e frameworks adequados como Edge Impulse ou TensorFlow Lite para Microcontroladores.
Aplicações incluem detecção de vibração anormal, monitoramento do estado de motores, classificação de acelerômetros e giroscópios, reconhecimento de gestos, monitoramento de equipamentos e sensores IoT inteligentes.
O foco é IA de borda prática: executar inferência localmente, considerando limitações de memória, tempo de processamento e energia. Dependendo do seu projeto, os entregáveis podem incluir código-fonte documentado do firmware, integração do modelo, instruções de build, resultados de testes e benchmarks de recursos.
Já possui um modelo treinado? Posso ajudar a integrá-lo ao seu firmware. Começando com dados de sensores? Posso avaliar os dados e recomendar uma abordagem adequada de pré-processamento e implantação.
Perguntas frequentes
Tradução automática
Você pode desenvolver firmware TinyML para ESP32 ou STM32?
Sim. Posso integrar modelos TinyML adequados com os alvos ESP32 ou STM32 suportados, incluindo aquisição de sensores, lógica de inferência e configuração de build. A compatibilidade depende do chip, framework e requisitos do modelo específicos.
Você pode implementar detecção de anomalias em sensores?
Sim. Posso ajudar a implementar detecção de anomalias para vibração, movimento e outros dados de sensores de séries temporais. O método depende do conjunto de dados disponível, condições anormais esperadas e hardware alvo.
Você consegue construir classificação de movimento com acelerômetro e giroscópio?
Sim. Posso desenvolver firmware para reconhecimento de gestos, classificação de movimentos e detecção de atividades com IMU, incluindo pré-processamento de sinais e integração de um modelo de classificação adequado.
Você suporta manutenção preditiva e monitoramento de vibração?
Sim. Posso desenvolver protótipos baseados em sensores para detecção de vibração anormal, monitoramento do estado de máquinas e experimentos de manutenção preditiva. A detecção confiável de falhas requer dados operacionais representativos e validação.
Você pode treinar um modelo de aprendizado de máquina personalizado?
Potencialmente, dependendo do escopo do projeto e dos dados. Por favor, envie leituras de sensores de exemplo, rótulos quando disponíveis, o resultado esperado e o dispositivo alvo para que eu possa avaliar se o treinamento personalizado é adequado.
. Você pode implantar um modelo existente usando Edge Impulse ou TensorFlow Lite Micro?
Sim, desde que o modelo, operadores, cadeia de ferramentas e hardware alvo sejam compatíveis. Posso ajudar a integrar a biblioteca de inferência e conectá-la ao pipeline de processamento de sensores.
O modelo rodará offline no microcontrolador?
A inferência local é possível quando o modelo e as operações necessárias cabem nos recursos disponíveis do dispositivo. Conectividade com a nuvem não é inerentemente necessária para inferência no dispositivo.
Você fornece código fonte e resultados de desempenho do modelo?
Os entregáveis dependem do pacote. Podem incluir código fonte do firmware, instruções de build, notas de integração e latência de inferência medida ou uso de memória quando o ambiente de teste e o dispositivo alvo estiverem disponíveis.
