TinyML

Le « Tiny Machine Learning », communément appelé TinyML, est un sous-domaine spécialisé de l'apprentissage automatique qui se concentre sur le déploiement de modèles sur des appareils à très faible consommation d'énergie et aux ressources limitées, tels que les microcontrôleurs et les petits appareils IoT. Contrairement aux systèmes traditionnels basés sur le cloud qui s'appuient sur d'immenses ressources de calcul, le TinyML fonctionne entièrement en périphérie. En exécutant des algorithmes intelligents localement sur des appareils dont la consommation d'énergie est souvent de l'ordre de quelques milliwatts, cette approche minimise la latence, garantit la confidentialité des données et réduit considérablement l'utilisation de la bande passante, un paradigme soutenu et promu par des communautés telles que la Fondation TinyML.

Pour réussir à adapter des architectures de réseaux neuronaux complexes à du matériel soumis à des contraintes élevées, tel que 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 en virgule flottante 32 bits en entiers 8 bits — et l'élagage des modèles sont utilisées pour réduire considérablement l' empreinte mémoire globale. Aujourd'hui, des frameworks spécialisés tels que TensorFlow for Microcontrollers Google et ExecuTorch PyTorch facilitent ces workflows de compression précis, apportant une intelligence visuelle et auditive avancée au matériel embarqué de tous les jours.

TinyML vs. IA en périphérie

Si le TinyML est étroitement lié à l'IA en périphérie, la principale différence réside dans l'échelle matérielle et la consommation énergétique. L'IA en périphérie est un terme plus large qui englobe toute exécution locale de modèles d'IA, utilisant souvent des ordinateurs monocarte comme un Raspberry Pi ou des GPU embarqués robustes comme un NVIDIA . En revanche, le TinyML vise spécifiquement les systèmes profondément embarqués qui fonctionnent sur batterie pendant des mois, voire des années, tels que les cartes Arduino ou les puces STMicroelectronics. Ces appareils ne disposent généralement que de quelques centaines de kilo-octets de RAM, ce qui rend indispensable une compression intensive des modèles.

Applications concrètes

La possibilité de déployer des systèmes intelligents directement sur du matériel minimal a ouvert la voie à de nombreux cas d'utilisation concrets dans divers secteurs :

• La maintenance prédictive dans la fabrication intelligente: les usines équipent leurs machines de capteurs de vibrations et de sons à très faible consommation d'énergie. Ces capteurs TinyML analysent en permanence les fréquences des moteurs afin de detect les anomalies detect annonciatrices d'une panne imminente, ce qui permet aux équipes de maintenance d'intervenir avant que des temps d'arrêt coûteux ne surviennent.
• Agriculture de précision intelligente: des dispositifs TinyML alimentés par batterie sont disséminés dans de vastes champs cultivés afin de surveiller les conditions environnementales locales et detect les premiers signes d'infestation par des ravageurs ou de maladie à l'aide de modules de caméra basiques, transmettant uniquement des alertes légères plutôt que des fichiers image volumineux.
• Surveillance acoustique pour la conservation de la faune sauvage: Les chercheurs utilisent des réseaux de capteurs acoustiques dissimulés, alimentés par TinyML, pour detect sons caractéristiques d'espèces menacées ou d'activités d'exploitation forestière illégale (comme les tronçonneuses) dans les forêts denses. Alimentés par énergie solaire ou par batterie, ces appareils analysent les données audio sur place et déclenchent instantanément des alertes à longue portée.

Exportation de modèles pour TinyML

La préparation d'un modèle pour un microcontrôleur nécessite un formatage d'exportation rigoureux. Grâce à Ultralytics , les développeurs peuvent créer des pipelines robustes de détection d'objets et les compresser pour des cibles embarquées. Vous pouvez gérer votre ensemble de données et le versionnage de vos modèles en toute transparence sur la Ultralytics avant de les exporter localement. TFLite native TFLite permet une conversion sans effort vers les formats entiers 8 bits requis pour les microcontrôleurs, complétant ainsi d'autres options de déploiement de modèles spécifiques au matériel telles que CoreML, l' Edge TPU Google et NVIDIA TensorRT.

L'exemple suivant montre comment exporter un modèle YOLO26 allégé, spécialement optimisé avec une quantification en INT8, ce qui le rend adapté au déploiement sur des plateformes périphériques compatibles 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)