Dal CSV al Chip in 4 Passi: Come Funziona Luviner
Una guida completa al workflow Luviner — dal caricamento dei dati sensoriali grezzi al flash di un binario AI compilato sul tuo microcontrollore.
Il Workflow Tradizionale dell'Edge AI
Deployare AI su un microcontrollore tipicamente richiede una lunga catena di strumenti specializzati e competenze:
- Raccogliere e etichettare i dati dei sensori
- Scegliere un'architettura del modello (CNN? LSTM? Transformer?)
- Addestrare in Python usando TensorFlow o PyTorch
- Ottimizzare: pruning, knowledge distillation, architecture search
- Quantizzare da float32 a int8
- Convertire in TFLite Micro o scrivere codice C di inferenza custom
- Integrare con il firmware, gestire la memoria, debuggare
- Profilare on-device, iterare, ri-addestrare
Questo processo richiede competenze ML, abilità in C embedded e settimane di iterazione. Per un team hardware senza un data scientist, è un punto morto.
Il Workflow in 4 Passi di Luviner
Luviner comprime l'intera pipeline in quattro passi, senza richiedere conoscenze ML:
Passo 1: Carica CSV
Prepara i dati dei sensori come file CSV. Ogni riga è un campione. Ogni colonna è una lettura del sensore (es. accelerometro X, Y, Z, temperatura). L'ultima colonna è l'etichetta — la classe che vuoi che il modello predica (es. "normale", "guasto_cuscinetto", "disallineamento").
È l'unico input di cui Luviner ha bisogno. Nessun feature engineering. Nessuna data pipeline. Nessun codice di preprocessing. Solo letture grezze dei sensori con etichette.
Passo 2: Addestra
Clicca "Avvia Addestramento" e il motore Edge V3 di Luviner fa il resto:
- Estrazione automatica delle feature — feature statistiche, analisi nel dominio della frequenza e pattern temporali vengono estratti dai dati grezzi
- Addestramento Rete Neurale — un modello ultra-compatto viene addestrato usando il motore proprietario Luviner
- Quantizzazione — il modello viene automaticamente quantizzato in aritmetica intera fixed-point
- Validazione — l'accuratezza viene misurata su un test set e riportata
L'intero processo di addestramento richiede secondi o minuti, a seconda della dimensione del dataset. Il risultato di accuratezza è visibile immediatamente.
Passo 3: Registra UID Dispositivi
Inserisci gli Unique ID hardware dei microcontrollori su cui vuoi deployare. Puoi digitarli manualmente o caricare un CSV di UID. Ogni UID è un identificatore unico bruciato nel silicio del chip in fabbrica — non può essere cambiato o falsificato.
Il binario compilato verrà eseguito solo sui chip con UID registrati. Questo è il tuo layer di protezione IP — leggi di più su come funziona il binding UID.
Passo 4: Scarica il Binario
Clicca "Compila" e Luviner genera una libreria statica (.a) e un file header (.h) per la tua architettura target. L'output è puro C con zero dipendenze:
- Nessun malloc, nessuna allocazione di memoria dinamica
- Nessun virgola mobile — tutto è in aritmetica intera fixed-point
- Nessuna libreria esterna — nemmeno funzioni math di libc
- Funziona su bare metal o qualsiasi RTOS
Linka il file .a nel tuo progetto firmware, includi l'header .h, e chiama la funzione di inferenza. Tutto qui.
Architetture Supportate
Luviner compila per:
- ARM Cortex-M0/M0+ — i core ARM più economici (STM32F0, nRF51)
- ARM Cortex-M3 — fascia media (STM32F1, LPC1768)
- ARM Cortex-M4 — con DSP (STM32F4, nRF52)
- ARM Cortex-M7 — alte prestazioni (STM32H7, i.MX RT)
- ARM Cortex-M33 — TrustZone (STM32L5, nRF9160)
- ESP32 — Xtensa LX6 (ESP32, ESP32-S2, ESP32-S3)
- RISC-V — ISA aperta (ESP32-C3, GD32VF103)
Cosa Non Ti Serve
- Nessun ambiente Python
- Nessuna installazione di TensorFlow o PyTorch
- Nessuna GPU
- Nessuna competenza ML
- Nessun runtime cloud o dipendenza da API
Il binario compilato è completamente autonomo. Una volta flashato, gira per sempre, offline, con zero dipendenze esterne.
Provalo Ora
Il piano Evaluation è gratis per sempre — 1 progetto, 10 UID dispositivi, addestramento Edge V3 completo. Nessuna carta di credito richiesta.