Negli ultimi anni l’integrazione tra sistemi embedded e tecniche di machine learning ha assunto un ruolo sempre più centrale nello sviluppo di applicazioni intelligenti. Arduino, da sempre orientato alla semplificazione dell’accesso all’hardware e allo sviluppo rapido di prototipi, compie ora un ulteriore passo avanti introducendo una nuova funzionalità all’interno di Arduino App Lab: l’integrazione nativa con Edge Impulse.
Questo aggiornamento consente agli sviluppatori di addestrare e distribuire modelli di intelligenza artificiale personalizzati direttamente nel flusso di lavoro di Arduino App Lab. In altre parole, diventa possibile creare modelli basati sui propri dati, addestrarli tramite Edge Impulse e utilizzarli immediatamente nei progetti Arduino senza dover integrare manualmente strumenti esterni o costruire pipeline complesse.
L’obiettivo è ridurre la frizione tra le diverse fasi dello sviluppo: raccolta dei dati, training del modello e deploy sull’hardware. Tutto questo avviene ora all’interno di un processo guidato dall’interfaccia di Arduino App Lab.
Un’integrazione quella di Arduino App Lab pensata per il machine learning embedded
Arduino App Lab aveva già introdotto esempi e modelli di intelligenza artificiale pronti all’uso, pensati per facilitare l’avvio di progetti con componenti AI. Tuttavia, molti sviluppatori richiedevano una modalità più fluida per creare modelli personalizzati basati sui propri dataset.
L’integrazione con Edge Impulse nasce proprio per rispondere a questa esigenza. Edge Impulse è una piattaforma specializzata nello sviluppo di modelli di machine learning per sistemi embedded e dispositivi edge. Collegando direttamente Arduino App Lab a Edge Impulse Studio, gli sviluppatori possono gestire l’intero ciclo di vita del modello senza uscire dall’ambiente di sviluppo.
Il risultato è un workflow unificato che consente di passare dal dataset al deploy con pochi passaggi ben definiti.
Dal dataset al deployment: il flusso di lavoro
L’integrazione tra Arduino App Lab e Edge Impulse segue una sequenza operativa semplice ma completa. Il processo può essere riassunto in alcune fasi principali.
Si inizia aprendo un esempio basato su intelligenza artificiale all’interno di Arduino App Lab oppure creando un nuovo progetto. Da qui si accede alla sezione dedicata ai modelli AI attraverso il menu “Bricks”.
All’interno di questa sezione è presente l’opzione per addestrare un nuovo modello. Selezionandola, Arduino App Lab consente di collegarsi direttamente a Edge Impulse Studio utilizzando il proprio account Arduino.
Una volta stabilita la connessione, l’utente può creare il proprio progetto in Edge Impulse e procedere con la fase di training del modello utilizzando i dati disponibili. Terminato l’addestramento, il modello viene automaticamente reso disponibile all’interno di Arduino App Lab.
A questo punto è possibile configurare i componenti del progetto, installare il modello sulla scheda e distribuirlo sull’hardware target.
Un aspetto interessante è la possibilità di gestire più modelli contemporaneamente. Gli sviluppatori possono creare diversi “impulses”, passare rapidamente da un modello all’altro e gestire tutte le configurazioni direttamente dall’interfaccia di Arduino App Lab.
La documentazione completa del processo è disponibile nella guida ufficiale:
https://docs.arduino.cc/tutorials/uno-q/ai-models/
Un esempio pratico: rilevare oggetti con un modello custom
Per dimostrare le potenzialità di questa integrazione è stato realizzato un esempio concreto basato su computer vision.
Nel video di presentazione della funzionalità, lo sviluppatore Louis Moreau di Edge Impulse crea un modello personalizzato capace di rilevare oggetti specifici utilizzando la visione artificiale. L’esperimento nasce anche con una componente divertente: il modello viene addestrato per riconoscere delle paperelle di gomma.
L’idea prende spunto da una pratica piuttosto diffusa tra gli sviluppatori: la cosiddetta “rubber duck debugging”. Molti programmatori tengono sulla scrivania una piccola paperella di gomma e spiegano ad alta voce il proprio codice come se stessero parlando con essa. Questo metodo aiuta spesso a individuare errori logici o problemi nel software.
Nel caso dimostrativo, Moreau sfrutta proprio queste paperelle come dataset per addestrare il modello. Attraverso Edge Impulse Studio costruisce un sistema di object detection che riconosce le paperelle e successivamente utilizza Arduino App Lab per distribuire il modello su hardware compatibile.
Il codice e il progetto dimostrativo sono disponibili pubblicamente su GitHub:
https://github.com/edgeimpulse/example-arduino-app-lab-object-detection-using-flask/
Questo esempio mostra chiaramente come il nuovo workflow consenta di passare rapidamente da un’idea sperimentale a un prototipo funzionante.
Hardware e strumenti per iniziare
L’integrazione è pensata in particolare per lavorare con la nuova scheda Arduino UNO Q, che rappresenta una delle piattaforme hardware di riferimento per questo tipo di progetti.
Chi non possiede ancora questa scheda può trovarla sul sito ufficiale Arduino:
https://www.arduino.cc/product-uno-q/#choose-your-best-uno-q-version
Per utilizzare le funzionalità di sviluppo è necessario installare Arduino App Lab, che può essere scaricato gratuitamente dalla documentazione ufficiale:
https://docs.arduino.cc/software/app-lab/
Per chi desidera approfondire il funzionamento della piattaforma Edge Impulse, è disponibile anche la documentazione dedicata ai modelli personalizzati:
https://docs.edgeimpulse.com/studio/projects/dashboard/byom
Infine, Arduino invita gli sviluppatori a condividere i propri progetti e trovare ispirazione nella community tramite Arduino Project Hub:
https://projecthub.arduino.cc/
Conclusione
L’integrazione tra Arduino App Lab ed Edge Impulse rappresenta un passo significativo verso una maggiore accessibilità del machine learning nel mondo embedded.
Permettendo di addestrare, gestire e distribuire modelli di intelligenza artificiale personalizzati all’interno dello stesso ambiente di sviluppo, Arduino semplifica notevolmente il percorso che porta dall’idea al prototipo funzionante.
Che si tratti di sperimentazione, didattica o sviluppo di applicazioni più avanzate, la possibilità di lavorare con modelli AI direttamente integrati nel flusso di lavoro apre nuove opportunità per chi utilizza piattaforme Arduino. In questo senso, l’integrazione con Edge Impulse non introduce solo una nuova funzionalità, ma contribuisce a rendere l’edge AI sempre più accessibile alla comunità degli sviluppatori embedded.
Iscriviti ai nostri gruppi Telegram
Link utili
- Arduino UNO R3
- Elegoo UNO R3
- Arduino Starter Kit per principianti
- Elegoo Advanced Starter Kit
- Arduino Nano
Simone Candido
Simone Candido è un ragazzo appassionato del mondo tech nella sua totalità. Simone ama immedesimarsi in nuove esperienze, la sua filosofia si basa sulla irrefrenabile voglia di ampliare a 360° le sue conoscenze abbracciando tutti i campi del sapere, in quanto ritiene che il sapere umano sia il connubio perfetto tra cultura umanistica e scientifica.