TinyML

L’apprentissage automatique embarqué, communément appelé TinyML, constitue un sous-domaine spécialisé de l’apprentissage automatique qui se concentre sur le déploiement de modèles sur des appareils à très faible consommation et aux ressources limitées, comme les microcontrôleurs et les petits appareils IoT. Contrairement aux systèmes traditionnels basés sur le cloud, qui dépendent d’importantes ressources de calcul, le TinyML fonctionne entièrement en périphérie. En exécutant localement des algorithmes intelligents sur des appareils dont la consommation électrique se mesure souvent en quelques milliwatts seulement, cette approche réduit la latence, garantit la confidentialité des données et diminue considérablement l’utilisation de la bande passante, un paradigme soutenu et développé par des communautés comme la TinyML Foundation.

Pour intégrer efficacement des architectures de réseaux neuronaux complexes sur du matériel très limité, comme les processeurs ARM Cortex-M, les modèles doivent faire l’objet d’une optimisation rigoureuse. Des techniques telles que la quantification des modèles, qui convertit les poids flottants de 32 bits en entiers de 8 bits, et l’élagage des modèles permettent de réduire considérablement l’empreinte mémoire globale. Aujourd’hui, des frameworks spécialisés comme TensorFlow Lite for Microcontrollers de Google et ExecuTorch de PyTorch facilitent ces processus précis de compression et apportent des capacités avancées d’intelligence visuelle et auditive au matériel embarqué courant.

TinyML ou IA en périphérie#

Bien que le TinyML soit étroitement lié à l’IA en périphérie, la principale différence réside dans l’échelle du matériel et le budget énergétique. L’IA en périphérie est un terme plus large qui englobe toute exécution locale de modèles d’IA, souvent sur des ordinateurs monocartes comme un Raspberry Pi ou des GPU embarqués robustes comme un NVIDIA Jetson. En revanche, le TinyML cible spécifiquement les systèmes profondément embarqués qui fonctionnent sur batterie pendant des mois ou des années, comme les cartes Arduino ou les puces STMicroelectronics. Ces appareils ne disposent généralement que de quelques centaines de kilo-octets de RAM, ce qui rend la compression agressive des modèles indispensable.

Applications concrètes#

La capacité à déployer directement des fonctions intelligentes sur du matériel minimal a permis de nombreux cas d’utilisation pratiques dans divers secteurs :

• Maintenance prédictive dans la fabrication intelligente : les usines installent directement sur les machines des capteurs de vibrations et audio à très faible consommation. Ces capteurs TinyML analysent en continu les fréquences des moteurs afin de détecter les anomalies subtiles annonciatrices d’une défaillance imminente, ce qui permet aux équipes de maintenance d’intervenir avant qu’un arrêt coûteux ne survienne.
• Agriculture de précision intelligente : des appareils TinyML fonctionnant sur batterie sont répartis dans de vastes champs cultivés afin de surveiller les conditions environnementales locales et de détecter les premiers signes d’infestations de nuisibles ou de maladies à l’aide de modules de caméra élémentaires, en transmettant uniquement des alertes légères plutôt que de lourds fichiers image.
• Surveillance audio pour la conservation de la faune : les chercheurs utilisent des réseaux de capteurs acoustiques dissimulés et alimentés par le TinyML pour détecter les sons caractéristiques d’espèces menacées ou les activités d’exploitation forestière illégale, comme l’utilisation de tronçonneuses, dans les forêts denses. Fonctionnant à l’énergie solaire ou sur batterie, ces appareils analysent l’audio localement et déclenchent instantanément des alertes à longue portée.

Exporter des modèles pour le TinyML#

La préparation d’un modèle pour un microcontrôleur nécessite un format d’exportation strict. Avec Ultralytics YOLO26, les développeurs peuvent créer des pipelines robustes de détection d’objets et les compresser pour des cibles embarquées. Tu peux gérer facilement ton jeu de données et le versionnage de tes modèles sur l’Ultralytics Platform avant de les exporter localement. L’intégration TFLite native permet de convertir facilement les modèles aux formats d’entiers de 8 bits requis par les microcontrôleurs, en complément d’autres options de déploiement de modèles spécifiques au matériel, comme CoreML d’Apple, Edge TPU de Google et TensorRT de NVIDIA.

L’exemple suivant montre comment exporter un modèle Ultralytics YOLO26 léger, spécifiquement optimisé avec une quantification INT8, afin de le rendre adapté au déploiement sur des plateformes en périphérie compatibles avec le TinyML :

from ultralytics import YOLO

# Initialize the lightweight YOLO26 Nano model for edge use cases
model = YOLO("yolo26n.pt")

# Export to TFLite format with INT8 quantization and a reduced image size
# This minimizes the memory footprint and accelerates inference on microcontrollers
model.export(format="tflite", int8=True, imgsz=160)