{"id":3764,"date":"2026-02-17T10:00:00","date_gmt":"2026-02-17T09:00:00","guid":{"rendered":"https:\/\/staging.elv.eqxt.de\/?p=3764"},"modified":"2026-04-14T16:34:55","modified_gmt":"2026-04-14T14:34:55","slug":"tinyml-tools-fuer-maker","status":"publish","type":"post","link":"https:\/\/de.elv.com\/elvjournal\/tinyml-tools-fuer-maker\/","title":{"rendered":"Machine Learning f\u00fcr Maker &#8211; TinyML Tools f\u00fcr Maker"},"content":{"rendered":"\n<p class=\"has-gray-light-color has-text-color has-link-color has-h-5-font-size wp-elements-3b9326000c7b9c4ed4953be39afa54a1\"><strong>Machine Learning f\u00fcr Maker<\/strong><\/p>\n\n\n\n<h1 class=\"wp-block-heading\">TinyML-Tools f\u00fcr Maker<\/h1>\n\n\n\n<p><strong>Um mit dem Machine Learning auf Mikrocontrollern zu starten, gibt es verschiedene<\/strong> <strong>Tools und Anbieter, die unterschiedlichen Anforderungen gerecht werden. Einige bieten Tools mit Pipelines f\u00fcr den gesamten Entwicklungsprozess von der Datenaufnahme bis zur fertigen Firmware an, andere k\u00f6nnen bestehende Modelle in C\/C++-Bibliotheken konvertieren. In diesem Beitrag geben wir einen \u00dcberblick \u00fcber aktuelle Tools, die Sie kostenlos nutzen k\u00f6nnen.<\/strong><\/p>\n\n\n\n<p>Wenn Sie sich daf\u00fcr interessieren, was man unter TinyML versteht, schauen Sie sich <a href=\"https:\/\/de.elv.com\/elvjournal\/tinyml-einfuehrung-machine-learning-auf-mikrocontrollern\/\" target=\"_blank\" rel=\"noreferrer noopener\">diesen Einf\u00fchrungsbeitrag<\/a> an.<\/p>\n\n\n\n<div style=\"height:20px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n\n<h2 class=\"wp-block-heading\">Werkzeugtypen im \u00dcberblick<\/h2>\n\n\n\n<p>Je nach Erfahrung und Wissensstand zu den Themen Machine Learning, C-Programmierung und Data Science haben Maker besondere Anspr\u00fcche an Werkzeuge zur Erstellung von Modellen. Gerade f\u00fcr die ersten Schritte sollte die Bedienung intuitiv und das Tool kostenlos sein. Idealerweise ist das erstellte Modell auch auf bereits vorhandener Hardware lauff\u00e4hig. Weniger wichtig sind f\u00fcr Privatpersonen Eigenschaften wie die Integrierbarkeit in Produktionsprozesse.<\/p>\n\n\n\n<p>Die aktuellen Tools lassen sich grob in folgende Gruppen gliedern:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Konverter:<\/strong> Bereits erstellte Modelle k\u00f6nnen in C\/C++-Bibliotheken konvertiert werden. Meist geht damit auch eine Optimierung des Speicherverbrauchs einher. F\u00fcr die im Voraus n\u00f6tige Erstellung der Modelle sind meist Kenntnisse im Bereich Machine Learning und Datenverarbeitung notwendig.<\/li>\n\n\n\n<li><strong>AutoML:<\/strong> Der gesamte Prozess von der Aufnahme der Daten bis zur fertigen Bibliothek wird in einer Anwendung abgewickelt. Diese Tools erfordern h\u00e4ufig nur wenig oder gar keine Programmiererfahrung und leiten durch den Entwicklungsprozess.<\/li>\n\n\n\n<li><strong>Sonstige Tools (Bibliotheken, Frameworks und Zoos): <\/strong>Es werden vortrainierte Modelle, optimierte Bibliotheken oder Frameworks angeboten, deren Integration meist Kenntnisse im Machine-Learning-Bereich voraussetzen.<\/li>\n<\/ul>\n\n\n\n<div style=\"height:20px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n\n<h2 class=\"wp-block-heading\">Modellkonverter<\/h2>\n\n\n\n<p>Haben Sie bereits ein kleines Modell erstellt, k\u00f6nnen Sie es mit einem passenden Konverter in C\/C++-Bibliotheken \u00fcberf\u00fchren und es auf Ihrem Mikrocontroller ausf\u00fchren.<\/p>\n\n\n<div class=\"dhsv-akkordeon\" data-props=\"{\n    &quot;align&quot;: &quot;&quot;,\n    &quot;selected&quot;: -1,\n    &quot;hasAllOpenButton&quot;: false,\n    &quot;onlyOne&quot;: false\n}\">\n        <div class=\"dhsv-akkordeon--inner\">\n       <div>\n           \n<div class=\"dhsv-akkordeon--item\" aria-expanded=\"false\">\n    <button class=\"item-header\">\n        <span class=\"title\"><strong>emlearn<\/strong><\/span>\n        <span class=\"dhsv-button-icon\">\n            <svg class=\"dhsv-icon\" width=\"14\" height=\"9\" viewBox=\"0 0 14 9\" fill=\"none\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\">\n  <path d=\"M6.29399 8.08199C6.68448 8.47248 7.31864 8.47248 7.70914 8.08199L13.7071 2.084C14.0976 1.6935 14.0976 1.05934 13.7071 0.668847C13.3166 0.278353 12.6825 0.278353 12.292 0.668847L7 5.96083L1.70802 0.671971C1.31753 0.281477 0.683365 0.281477 0.292871 0.671971C-0.0976236 1.06247 -0.0976236 1.69663 0.292871 2.08712L6.29086 8.08511L6.29399 8.08199Z\" fill=\"currentColor\"\/>\n<\/svg>        <\/span>\n    <\/button>\n    <div class=\"dhsv-akkordeon--item__body\" style=\"height: 0\">\n        <div>\n            \n\n<p>emlearn ist eine Open-Source-Bibliothek zur Ausf\u00fchrung klassischer Machine-Learning-Modelle und neuronaler Netze auf Mikrocontrollern und anderen ressourcenbeschr\u00e4nkten Ger\u00e4ten. Sie konvertiert Modelle aus Frameworks wie scikit-learn und Keras in C99-kompatiblen Code, der ohne Betriebssystem, dynamische Speicherverwaltung oder externe Bibliotheken auskommt.<\/p>\n\n\n\n<p><strong>Modelltypen: <\/strong>scikit-learn (Entscheidungsb\u00e4ume, Random Forests, Naive Bayes, Gaussian Mixture Model), Keras (einfache Multilayer-Perzeptronen-Modelle)<\/p>\n\n\n\n<p><strong>St\u00e4rken:<\/strong><\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Open Source<\/li>\n\n\n\n<li>keine Laufzeitabh\u00e4ngigkeiten<\/li>\n\n\n\n<li>CLI-Tool verf\u00fcgbar<\/li>\n\n\n\n<li>Unterst\u00fctzung verschiedener Plattformen (z. B. STM32, ESP32, Arduino, AVR)<\/li>\n\n\n\n<li>gut dokumentiert<\/li>\n<\/ul>\n\n\n\n<p><strong>Schw\u00e4chen:<\/strong><\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>keine Optimierung oder Quantisierung<\/li>\n<\/ul>\n\n\n        <\/div>\n    <\/div>\n<\/div>\n\n\n<div class=\"dhsv-akkordeon--item\" aria-expanded=\"false\">\n    <button class=\"item-header\">\n        <span class=\"title\"><strong>everywhereml<\/strong><\/span>\n        <span class=\"dhsv-button-icon\">\n            <svg class=\"dhsv-icon\" width=\"14\" height=\"9\" viewBox=\"0 0 14 9\" fill=\"none\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\">\n  <path d=\"M6.29399 8.08199C6.68448 8.47248 7.31864 8.47248 7.70914 8.08199L13.7071 2.084C14.0976 1.6935 14.0976 1.05934 13.7071 0.668847C13.3166 0.278353 12.6825 0.278353 12.292 0.668847L7 5.96083L1.70802 0.671971C1.31753 0.281477 0.683365 0.281477 0.292871 0.671971C-0.0976236 1.06247 -0.0976236 1.69663 0.292871 2.08712L6.29086 8.08511L6.29399 8.08199Z\" fill=\"currentColor\"\/>\n<\/svg>        <\/span>\n    <\/button>\n    <div class=\"dhsv-akkordeon--item__body\" style=\"height: 0\">\n        <div>\n            \n\n<p>Die Pythonbibliothek everywhereml ist dazu gedacht, einige Standardmodelle und Vorverarbeitungsschritte der Pythonbibliothek scikit-learn zu konvertieren. Die Modelle k\u00f6nnen in C++, JavaSkript, PHP, TinyGo und MicroPython konvertiert werden. Die Ausgabe erfolgt allerdings nicht als Bibliothek, sondern als Funktion in der jeweiligen Programmiersprache.<\/p>\n\n\n\n<p><strong>Modelltypen<\/strong> (sklearn): Random Forest, Logistische Regression, Gaussian Naive Bayes, Entscheidungsbaum, XGBoost<\/p>\n\n\n\n<p><strong>St\u00e4rken:<\/strong><\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>keine Anmeldung notwendig<\/li>\n\n\n\n<li>konvertiert in verschiedene Programmiersprachen<\/li>\n<\/ul>\n\n\n\n<p><strong>Schw\u00e4chen:<\/strong><\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>nur wenige Modelltypen<\/li>\n\n\n\n<li>wenig dokumentiert<\/li>\n\n\n\n<li>keine Optimierung und Quantisierung<\/li>\n<\/ul>\n\n\n        <\/div>\n    <\/div>\n<\/div>\n\n\n<div class=\"dhsv-akkordeon--item\" aria-expanded=\"false\">\n    <button class=\"item-header\">\n        <span class=\"title\"><strong>LiteRT for Microcontrollers<\/strong><\/span>\n        <span class=\"dhsv-button-icon\">\n            <svg class=\"dhsv-icon\" width=\"14\" height=\"9\" viewBox=\"0 0 14 9\" fill=\"none\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\">\n  <path d=\"M6.29399 8.08199C6.68448 8.47248 7.31864 8.47248 7.70914 8.08199L13.7071 2.084C14.0976 1.6935 14.0976 1.05934 13.7071 0.668847C13.3166 0.278353 12.6825 0.278353 12.292 0.668847L7 5.96083L1.70802 0.671971C1.31753 0.281477 0.683365 0.281477 0.292871 0.671971C-0.0976236 1.06247 -0.0976236 1.69663 0.292871 2.08712L6.29086 8.08511L6.29399 8.08199Z\" fill=\"currentColor\"\/>\n<\/svg>        <\/span>\n    <\/button>\n    <div class=\"dhsv-akkordeon--item__body\" style=\"height: 0\">\n        <div>\n            \n\n<p>LiteRT for Microcontrollers ist die speziell f\u00fcr Mikrocontroller optimierte Variante des LiteRT Frameworks von Google. Es wurde als Nachfolger von TensorFlow Lite for Microcontrollers (TFLM) entwickelt. Es ist ein Tool zur Konvertierung von vortrainierten neuronalen Netzen, das kleine TensorFlow-Modelle in ein C-Array konvertiert.<\/p>\n\n\n\n<p><strong>St\u00e4rken:<\/strong><\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>maximale Kontrolle \u00fcber Integration und Anpassung<\/li>\n\n\n\n<li>keine Laufzeitabh\u00e4ngigkeiten<\/li>\n<\/ul>\n\n\n\n<p><strong>Schw\u00e4chen:<\/strong><\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>erfordert Vorwissen im Bereich Embedded-Entwicklung<\/li>\n<\/ul>\n\n\n        <\/div>\n    <\/div>\n<\/div>\n\n\n<div class=\"dhsv-akkordeon--item\" aria-expanded=\"false\">\n    <button class=\"item-header\">\n        <span class=\"title\"><strong>ST Edge AI Developer Cloud<\/strong><\/span>\n        <span class=\"dhsv-button-icon\">\n            <svg class=\"dhsv-icon\" width=\"14\" height=\"9\" viewBox=\"0 0 14 9\" fill=\"none\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\">\n  <path d=\"M6.29399 8.08199C6.68448 8.47248 7.31864 8.47248 7.70914 8.08199L13.7071 2.084C14.0976 1.6935 14.0976 1.05934 13.7071 0.668847C13.3166 0.278353 12.6825 0.278353 12.292 0.668847L7 5.96083L1.70802 0.671971C1.31753 0.281477 0.683365 0.281477 0.292871 0.671971C-0.0976236 1.06247 -0.0976236 1.69663 0.292871 2.08712L6.29086 8.08511L6.29399 8.08199Z\" fill=\"currentColor\"\/>\n<\/svg>        <\/span>\n    <\/button>\n    <div class=\"dhsv-akkordeon--item__body\" style=\"height: 0\">\n        <div>\n            \n\n<p>Die ST Edge AI Developer Cloud kann dazu genutzt werden, bestehende Modelle in C-Bibliotheken f\u00fcr ST-Controller zu konvertieren und diese hinsichtlich der Ressourcennutzung zu optimieren. Die Anwendung kann \u00fcber eine Web-GUI oder eine REST API genutzt werden.<\/p>\n\n\n\n<p><strong>Modelltypen:<\/strong> Keras, TensorFlow, PyTorch, MATLAB (\u00fcber ONNX), scikit-learn (\u00fcber ONNX)<\/p>\n\n\n\n<p><strong>St\u00e4rken:<\/strong><\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>auch klassische ML-Modelle konvertierbar<\/li>\n\n\n\n<li>keine Programmiererfahrung notwendig<\/li>\n\n\n\n<li>Quantisierungsstufen w\u00e4hlbar<\/li>\n\n\n\n<li>echte Messung der Inferenzzeit durch Messung auf der &#8222;STM32 Boards Farm&#8220;<\/li>\n\n\n\n<li>Zugriff auf STM32 Model Zoo<\/li>\n<\/ul>\n\n\n\n<p><strong>Schw\u00e4chen:<\/strong><\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>nur f\u00fcr ST-Produkte<\/li>\n<\/ul>\n\n\n        <\/div>\n    <\/div>\n<\/div>\n\n\n<div class=\"dhsv-akkordeon--item\" aria-expanded=\"false\">\n    <button class=\"item-header\">\n        <span class=\"title\"><strong>X-CUBE AI<\/strong><\/span>\n        <span class=\"dhsv-button-icon\">\n            <svg class=\"dhsv-icon\" width=\"14\" height=\"9\" viewBox=\"0 0 14 9\" fill=\"none\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\">\n  <path d=\"M6.29399 8.08199C6.68448 8.47248 7.31864 8.47248 7.70914 8.08199L13.7071 2.084C14.0976 1.6935 14.0976 1.05934 13.7071 0.668847C13.3166 0.278353 12.6825 0.278353 12.292 0.668847L7 5.96083L1.70802 0.671971C1.31753 0.281477 0.683365 0.281477 0.292871 0.671971C-0.0976236 1.06247 -0.0976236 1.69663 0.292871 2.08712L6.29086 8.08511L6.29399 8.08199Z\" fill=\"currentColor\"\/>\n<\/svg>        <\/span>\n    <\/button>\n    <div class=\"dhsv-akkordeon--item__body\" style=\"height: 0\">\n        <div>\n            \n\n<p>X-CUBE-AI ist ein STM32Cube-Erweiterungsmodul, das lokal auf dem PC l\u00e4uft. Es kann \u00fcber die Anwendung STM32CubeMX oder als CLI verwendet werden. Wie die ST Edge AI Developer Cloud dient es zur Konvertierung von Modellen in f\u00fcr ST-Produkte optimierte C-Bibliotheken.<\/p>\n\n\n\n<p><strong>Modelltypen:<\/strong> Keras, Tensorflow, PyTorch, MATLAB (\u00fcber ONNX), scikit-learn (\u00fcber ONNX)<\/p>\n\n\n\n<p><strong>St\u00e4rken:<\/strong><\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>auch klassische ML-Modelle konvertierbar<\/li>\n\n\n\n<li>keine Programmiererfahrung notwendig<\/li>\n\n\n\n<li>Quantisierungsstufen w\u00e4hlbar<\/li>\n\n\n\n<li>offline verf\u00fcgbar<\/li>\n<\/ul>\n\n\n\n<p><strong>Schw\u00e4chen:<\/strong><\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>nur f\u00fcr ST-Produkte<\/li>\n<\/ul>\n\n\n        <\/div>\n    <\/div>\n<\/div>\n\n\n       <\/div>\n    <\/div>\n<\/div>\n\n\n\n<div style=\"height:20px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n\n<h2 class=\"wp-block-heading\">AutoML<\/h2>\n\n\n\n<p>Wenn Sie nach einem Tool suchen, das Sie beim gesamten Prozess von der Datenvorverarbeitung bis zur Erstellung passender Bibliotheken unterst\u00fctzt, sind AutoML-Tools eine gute Wahl. Einige unterst\u00fctzen auch bei der Aufnahme der Daten und in der Regel sind f\u00fcr die ersten Schritte keine Programmiererfahrungen n\u00f6tig.<\/p>\n\n\n<div class=\"dhsv-akkordeon\" data-props=\"{\n    &quot;align&quot;: &quot;&quot;,\n    &quot;selected&quot;: -1,\n    &quot;hasAllOpenButton&quot;: false,\n    &quot;onlyOne&quot;: false\n}\">\n        <div class=\"dhsv-akkordeon--inner\">\n       <div>\n           \n<div class=\"dhsv-akkordeon--item\" aria-expanded=\"false\">\n    <button class=\"item-header\">\n        <span class=\"title\"><strong>Edge Impulse<\/strong><\/span>\n        <span class=\"dhsv-button-icon\">\n            <svg class=\"dhsv-icon\" width=\"14\" height=\"9\" viewBox=\"0 0 14 9\" fill=\"none\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\">\n  <path d=\"M6.29399 8.08199C6.68448 8.47248 7.31864 8.47248 7.70914 8.08199L13.7071 2.084C14.0976 1.6935 14.0976 1.05934 13.7071 0.668847C13.3166 0.278353 12.6825 0.278353 12.292 0.668847L7 5.96083L1.70802 0.671971C1.31753 0.281477 0.683365 0.281477 0.292871 0.671971C-0.0976236 1.06247 -0.0976236 1.69663 0.292871 2.08712L6.29086 8.08511L6.29399 8.08199Z\" fill=\"currentColor\"\/>\n<\/svg>        <\/span>\n    <\/button>\n    <div class=\"dhsv-akkordeon--item__body\" style=\"height: 0\">\n        <div>\n            \n\n<p>Edge Impulse ist ein sehr umfangreiches AutoML-Tool, das mit sogenannten Impulsen arbeitet. Dabei besteht ein Impuls aus einem Eingabeblock wie z. B. Zeitreihen, einem oder mehreren Verarbeitungsbl\u00f6cken und einem oder mehreren Lernbl\u00f6cken. Am Ende steht ein Ausgabeblock, der z. B. bei einer Klassifikation die Klassenwahrscheinlichkeit ausgibt. Dieser gesamte Impuls kann sp\u00e4ter exportiert werden.<\/p>\n\n\n\n<p>Edge Impulse bietet Signalverarbeitung f\u00fcr Zeitreihen, vorverarbeitete Messwerte und auch Bilder an. Es werden Klassifikations-, Regressions- und Anomalie-Erkennungsalgorithmen unterst\u00fctzt. Im Bereich der Bildverarbeitung werden Objekterkennung und Anomalieerkennung unterst\u00fctzt. In der kostenlosen Variante k\u00f6nnen Neuronale Netze auf Basis des Keras Frameworks erstellt werden. Klassische Machine-Learning-Modelle wie Entscheidungsb\u00e4ume oder SVMs k\u00f6nnen aktuell nur in der Enterprise- oder Professional-Variante verwendet werden. Edge Impulse bietet dar\u00fcber hinaus mit dem EON Tuner eine M\u00f6glichkeit, systematisch verschiedene Modellarchitekturen zu testen und hinsichtlich Genauigkeit, Speicherbedarf und Inferenzgeschwindigkeit zu bewerten. Die Plattform unterst\u00fctzt Live-Inferenz direkt im Browser oder \u00fcber USB, sodass Modelle getestet werden k\u00f6nnen, bevor sie auf die Zielhardware \u00fcbertragen werden. F\u00fcr die Datenerfassung steht neben der Web-Oberfl\u00e4che auch eine mobile App zur Verf\u00fcgung, mit der Sensordaten direkt aufgenommen und in Projekte integriert werden k\u00f6nnen.<\/p>\n\n\n\n<p>Zahlreiche Zielhardware von unterschiedlichen Herstellern wird direkt unterst\u00fctzt, sodass darauf optimierte Bibliotheken exportiert werden k\u00f6nnen. F\u00fcr einzelne Entwicklungsboards k\u00f6nnen sogar fertige Firmwares heruntergeladen werden. Au\u00dferdem k\u00f6nnen generische C++-Bibliotheken f\u00fcr den Einsatz auf noch nicht direkt unterst\u00fctzter Hardware exportiert werden. F\u00fcr bestimmte IDEs wie die Arduino IDE oder die STM32CubeIDE lassen sich auch direkt einbindbare Bibliotheken erstellen.<\/p>\n\n\n\n<p><strong>St\u00e4rken:<\/strong><\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>keine Programmiererfahrung notwendig<\/li>\n\n\n\n<li>umschaltbar auf Expertenmodus (Netzarchitektur selbst programmierbar)<\/li>\n\n\n\n<li>einfacher Einstieg trotz sehr umfangreicher M\u00f6glichkeiten<\/li>\n\n\n\n<li>Unterst\u00fctzung beim Datenloggen<\/li>\n\n\n\n<li>halbautomatische Modellsuche mit EON Tuner m\u00f6glich<\/li>\n\n\n\n<li>auch als Konverter f\u00fcr eigene neuronale Netze nutzbar<\/li>\n\n\n\n<li>eigene Bl\u00f6cke konfigurierbar f\u00fcr individuelle Anpassungen<\/li>\n\n\n\n<li>CLI kostenlos verf\u00fcgbar<\/li>\n\n\n\n<li>Datenaugmentation &#8211; Erstellung k\u00fcnstlicher Daten<\/li>\n\n\n\n<li>f\u00fcr Mikrocontroller optimierte Modelle mit EON Tuner (weniger Speicher als LiteRT ben\u00f6tigt)<\/li>\n\n\n\n<li>Live-Tests im Browser m\u00f6glich<\/li>\n\n\n\n<li>breite Ger\u00e4teunterst\u00fctzung<\/li>\n\n\n\n<li>Versionierungsoptionen<\/li>\n\n\n\n<li>schnelle Ergebnisse<\/li>\n\n\n\n<li>viele Tutorials<\/li>\n\n\n\n<li>Communityprojekte<\/li>\n<\/ul>\n\n\n\n<p><strong>Schw\u00e4chen:<\/strong><\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>in kostenloser Version nur drei private Projekte und zehn Impulse pro Projekt m\u00f6glich<\/li>\n\n\n\n<li>klassisches ML nur in Bezahlversion<\/li>\n\n\n\n<li>individuelle Signalvorverarbeitung nur mit gr\u00f6\u00dferem Aufwand<\/li>\n\n\n\n<li>limitierte Modellanpassung f\u00fcr Fortgeschrittene<\/li>\n\n\n\n<li>keine statistische Analyse der Trainingsdaten &#8211; Muster oder Rauschen k\u00f6nnen \u00fcbersehen werden<\/li>\n<\/ul>\n\n\n        <\/div>\n    <\/div>\n<\/div>\n\n\n<div class=\"dhsv-akkordeon--item\" aria-expanded=\"false\">\n    <button class=\"item-header\">\n        <span class=\"title\"><strong>NanoEdgeAI Studio<\/strong><\/span>\n        <span class=\"dhsv-button-icon\">\n            <svg class=\"dhsv-icon\" width=\"14\" height=\"9\" viewBox=\"0 0 14 9\" fill=\"none\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\">\n  <path d=\"M6.29399 8.08199C6.68448 8.47248 7.31864 8.47248 7.70914 8.08199L13.7071 2.084C14.0976 1.6935 14.0976 1.05934 13.7071 0.668847C13.3166 0.278353 12.6825 0.278353 12.292 0.668847L7 5.96083L1.70802 0.671971C1.31753 0.281477 0.683365 0.281477 0.292871 0.671971C-0.0976236 1.06247 -0.0976236 1.69663 0.292871 2.08712L6.29086 8.08511L6.29399 8.08199Z\" fill=\"currentColor\"\/>\n<\/svg>        <\/span>\n    <\/button>\n    <div class=\"dhsv-akkordeon--item__body\" style=\"height: 0\">\n        <div>\n            \n\n<p>Dieses AutoML-Tool fokussiert sich auf die automatisierte Erstellung von AI-Bibliotheken f\u00fcr STM-Mikrocontroller. Der Export erfolgt als C-Bibliothek, die auf die Controllertypen angepasst ist. Es werden die Projektarten Anomalieerkennung, 1-Klassen- und n-Klassen-Klassifikation sowie Extrapolation (Vorhersage kontinuierlicher Werte) unterst\u00fctzt. Eine besondere Eigenschaft ist die Anomalieerkennung mit On-Device Learning, also der M\u00f6glichkeit, auf dem Controller zu lernen.<\/p>\n\n\n\n<p>Im f\u00fcnfstufigen Workflow werden zun\u00e4chst Angaben zur Zielhardware und den verwendeten Sensoren gemacht. Anschlie\u00dfend k\u00f6nnen Signal entweder importiert oder \u00fcber einen seriellen Datenlogger aufgenommen werden. Es wird ein Bericht \u00fcber Eigenschaften im Zeit- und Frequenzbereich ausgegeben. Im dritten Schritt werden beim Benchmarking verschiedene m\u00f6gliche Kombinationen von Vorverarbeitung und Modellen oder Algorithmen getestet und die Ergebnisse aufbereitet dargestellt. Unter Validierung k\u00f6nnen die getesteten Verarbeitungspipelines gegen neue Daten getestet werden. Vor der Portierung auf dem Controller kann eine Live-Inferenz \u00fcber einen Emulator durchgef\u00fchrt werden, der die Bedingungen auf dem angegebenen Controller nachstellt. Je nach gew\u00e4hlter Hardware und Projektart k\u00f6nnen f\u00fcr den Export noch Einstellungen vorgenommen werden.<\/p>\n\n\n\n<p><strong>St\u00e4rken:<\/strong><\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>On-Device Learning f\u00fcr Anomalieerkennung m\u00f6glich<\/li>\n\n\n\n<li>keine Programmierkenntnisse oder Machine-Learning-Kenntnisse n\u00f6tig<\/li>\n\n\n\n<li>einsteigerfreundliche Oberfl\u00e4che<\/li>\n\n\n\n<li>lokale Installation, offline nutzbar<\/li>\n\n\n\n<li>Unterst\u00fctzung beim Finden der optimalen Abtastrate<\/li>\n\n\n\n<li>Bereitstellung anpassbarer Datenlogger f\u00fcr einige Experimentierboards<\/li>\n\n\n\n<li>Unterst\u00fctzung beim Finden relevanter Features<\/li>\n\n\n\n<li>synthetische Daten f\u00fcr Anomalieerkennung mit Beschleunigungssensoren nutzbar<\/li>\n\n\n\n<li>viel Dokumentation und viele Tutorials<\/li>\n\n\n\n<li>Emulator erm\u00f6glicht Live-Tests<\/li>\n\n\n\n<li>CLI-Anwendung m\u00f6glich<\/li>\n<\/ul>\n\n\n\n<p><strong>Schw\u00e4chen:<\/strong><\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>f\u00fcr Nicht-STM-Controller kostenpflichtig<\/li>\n\n\n\n<li>keine Bildverarbeitung<\/li>\n\n\n\n<li>umst\u00e4ndliches Format f\u00fcr Import von Datens\u00e4tzen<\/li>\n\n\n\n<li>kein direkter Einfluss auf die Auswahl der Algorithmen<\/li>\n\n\n\n<li>intransparente Signalverarbeitung und Modellstruktur<\/li>\n<\/ul>\n\n\n        <\/div>\n    <\/div>\n<\/div>\n\n\n<div class=\"dhsv-akkordeon--item\" aria-expanded=\"false\">\n    <button class=\"item-header\">\n        <span class=\"title\"><strong>Neuton AI<\/strong><\/span>\n        <span class=\"dhsv-button-icon\">\n            <svg class=\"dhsv-icon\" width=\"14\" height=\"9\" viewBox=\"0 0 14 9\" fill=\"none\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\">\n  <path d=\"M6.29399 8.08199C6.68448 8.47248 7.31864 8.47248 7.70914 8.08199L13.7071 2.084C14.0976 1.6935 14.0976 1.05934 13.7071 0.668847C13.3166 0.278353 12.6825 0.278353 12.292 0.668847L7 5.96083L1.70802 0.671971C1.31753 0.281477 0.683365 0.281477 0.292871 0.671971C-0.0976236 1.06247 -0.0976236 1.69663 0.292871 2.08712L6.29086 8.08511L6.29399 8.08199Z\" fill=\"currentColor\"\/>\n<\/svg>        <\/span>\n    <\/button>\n    <div class=\"dhsv-akkordeon--item__body\" style=\"height: 0\">\n        <div>\n            \n\n<p>Neuton AI ist eine No-Code-AutoML-Plattform, die zu Nordic Semiconductors geh\u00f6rt, und basiert nach eigenen Angaben auf einem eigenen, patentierten neuronalen Netzwerk-Framework. Sie ist auf die Erstellung extrem speicheroptimierter neuronaler Netze f\u00fcr Cortex M0, M4 und M33 Controller sowie f\u00fcr die ISPU von STMicroelectronics und der Mikrochip-8-Serie ausgelegt. Damit lassen sich die Aufgaben Klassifikation, Regression und Anomalieerkennung realisieren.<\/p>\n\n\n\n<p>Das Framework basiert auf dem Ansatz eines selbstorganisierenden neuronalen Netzes. Grob zusammengefasst bedeutet das: Das Netz wird Neuron f\u00fcr Neuron gesetzt. Daher ist es nicht m\u00f6glich, Einfluss auf die Architektur zu nehmen. Lediglich nach dem Training kann zwischen verschiedenen Modellen gew\u00e4hlt werden, die sich hinsichtlich der Genauigkeit und dem Speicherbedarf unterscheiden. Der Export erfolgt als C-Bibliothek.<\/p>\n\n\n\n<p><strong>St\u00e4rken:<\/strong><\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>einsteigerfreundliche Oberfl\u00e4che<\/li>\n\n\n\n<li>keine Programmierkenntnisse oder Machine-Learning-Kenntnisse n\u00f6tig<\/li>\n\n\n\n<li>alle Funktionen kostenlos<\/li>\n\n\n\n<li>Unterst\u00fctzung unterschiedlicher Quantisierungsstufen<\/li>\n\n\n\n<li>extrem kleine Modelle<\/li>\n\n\n\n<li>anpassbare Signalvorverarbeitung im Zeit- und Frequenzbereich<\/li>\n\n\n\n<li>umfangreiche Analyse des fertigen Modells<\/li>\n\n\n\n<li>Simulation des Netzes zur Validierung auf PC m\u00f6glich<\/li>\n\n\n\n<li>Unterst\u00fctzung f\u00fcr 8-, 16- und 32-Bit-Controller<\/li>\n<\/ul>\n\n\n\n<p><strong>Schw\u00e4chen:<\/strong><\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>keine Datenloggerfunktion<\/li>\n\n\n\n<li>nur eingeschr\u00e4nkte Analyse der Eingabedaten m\u00f6glich &#8211; Muster oder Rauschen k\u00f6nnen \u00fcbersehen werden<\/li>\n\n\n\n<li>keine klassischen ML-Algorithmen<\/li>\n\n\n\n<li>keine Bildverarbeitung<\/li>\n\n\n\n<li>kaum Kontrolle \u00fcber Modellarchitektur oder Auswahl zwischen verschiedenen Modellen<\/li>\n\n\n\n<li>kein iterativer Prozess &#8211; nachtr\u00e4gliche Anpassungen nur mit Erstellung eines neuen Projekts m\u00f6glich<\/li>\n\n\n\n<li>intransparente Modellarchitektur<\/li>\n<\/ul>\n\n\n        <\/div>\n    <\/div>\n<\/div>\n\n\n       <\/div>\n    <\/div>\n<\/div>\n\n\n\n<div style=\"height:20px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n\n<h2 class=\"wp-block-heading\">Sonstige<\/h2>\n\n\n\n<p>Wenn Ihre Anforderungen an die Modelle oder die Vorverarbeitung \u00fcber das hinaus geht, was Sie mit den AutoML-Tools erreichen k\u00f6nnen, lohnt es sich, sich mit diesen Frameworks und Tools auseinanderzusetzen.<\/p>\n\n\n<div class=\"dhsv-akkordeon\" data-props=\"{\n    &quot;align&quot;: &quot;&quot;,\n    &quot;selected&quot;: -1,\n    &quot;hasAllOpenButton&quot;: false,\n    &quot;onlyOne&quot;: false\n}\">\n        <div class=\"dhsv-akkordeon--inner\">\n       <div>\n           \n<div class=\"dhsv-akkordeon--item\" aria-expanded=\"false\">\n    <button class=\"item-header\">\n        <span class=\"title\"><strong>CMSIS-NN<\/strong><\/span>\n        <span class=\"dhsv-button-icon\">\n            <svg class=\"dhsv-icon\" width=\"14\" height=\"9\" viewBox=\"0 0 14 9\" fill=\"none\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\">\n  <path d=\"M6.29399 8.08199C6.68448 8.47248 7.31864 8.47248 7.70914 8.08199L13.7071 2.084C14.0976 1.6935 14.0976 1.05934 13.7071 0.668847C13.3166 0.278353 12.6825 0.278353 12.292 0.668847L7 5.96083L1.70802 0.671971C1.31753 0.281477 0.683365 0.281477 0.292871 0.671971C-0.0976236 1.06247 -0.0976236 1.69663 0.292871 2.08712L6.29086 8.08511L6.29399 8.08199Z\" fill=\"currentColor\"\/>\n<\/svg>        <\/span>\n    <\/button>\n    <div class=\"dhsv-akkordeon--item__body\" style=\"height: 0\">\n        <div>\n            \n\n<p>CMSIS-NN ist eine optimierte C-Bibliothek von Arm f\u00fcr die Ausf\u00fchrung von neuronalen Netzen auf Arm-Cortex-M-Controllern, die .tflite-Modelle unterst\u00fctzt. Diese Bibliothek stellt optimierte Funktionen f\u00fcr die Operationen in einem neuronalen Netz auf Arm-Cortex-M-Controllern bereit. Da es sich um eine Bibliothek und nicht um ein Framework handelt, kann hiermit kein Modell trainiert werden. Diese Bibliothek kann also nur in Kombination mit bereits trainierten und kompatiblen Modellen genutzt werden.<\/p>\n\n\n\n<p><strong>St\u00e4rken:<\/strong><\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Quantisierung<\/li>\n\n\n\n<li>auf Prozessorebene, daher f\u00fcr alle Arm-Cortex-M-Prozessoren unabh\u00e4ngig vom Controller-Hersteller geeignet<\/li>\n\n\n\n<li>kompatibel mit TensorFlow Lite for Microcontrollers (TFLM) und LiteRT<\/li>\n\n\n\n<li>nach eigenen Angaben bessere Performance als mit Standard-TFLM-Kerneln<\/li>\n\n\n\n<li>Open Source und gut dokumentiert<\/li>\n<\/ul>\n\n\n\n<p><strong>Schw\u00e4chen:<\/strong><\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>nur Ausf\u00fchrung (Inferenz), kein Training<\/li>\n\n\n\n<li>nur Standard-Layer-Typen<\/li>\n\n\n\n<li>nur neuronale Netze, kein klassisches Machine Learning<\/li>\n\n\n\n<li>manuelle Integration n\u00f6tig (aufwendiger als andere Tools)<\/li>\n<\/ul>\n\n\n        <\/div>\n    <\/div>\n<\/div>\n\n\n<div class=\"dhsv-akkordeon--item\" aria-expanded=\"false\">\n    <button class=\"item-header\">\n        <span class=\"title\"><strong>Keras, TensorFlow, PyTorch, scikit-learn<\/strong><\/span>\n        <span class=\"dhsv-button-icon\">\n            <svg class=\"dhsv-icon\" width=\"14\" height=\"9\" viewBox=\"0 0 14 9\" fill=\"none\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\">\n  <path d=\"M6.29399 8.08199C6.68448 8.47248 7.31864 8.47248 7.70914 8.08199L13.7071 2.084C14.0976 1.6935 14.0976 1.05934 13.7071 0.668847C13.3166 0.278353 12.6825 0.278353 12.292 0.668847L7 5.96083L1.70802 0.671971C1.31753 0.281477 0.683365 0.281477 0.292871 0.671971C-0.0976236 1.06247 -0.0976236 1.69663 0.292871 2.08712L6.29086 8.08511L6.29399 8.08199Z\" fill=\"currentColor\"\/>\n<\/svg>        <\/span>\n    <\/button>\n    <div class=\"dhsv-akkordeon--item__body\" style=\"height: 0\">\n        <div>\n            \n\n<p>Diese vier Machine Learning Frameworks sind nicht direkt auf die Anwendung im Embedded-Bereich ausgelegt, sollen aber dennoch nicht unerw\u00e4hnt bleiben. Sie wurden eher f\u00fcr leistungsf\u00e4higere Rechnerumgebungen entwickelt und bieten umfangreiche Funktionen im Bereich Feature Engineering, Training und Evaluation. W\u00e4hrend scikit-learn klassische Machine-Learning-Algorithmen wie Entscheidungsb\u00e4ume bietet, konzentrieren sich Frameworks wie Keras, TensorFlow und PyTorch vor allem auf Deep Learning mit neuronalen Netzen.<\/p>\n\n\n\n<p>Die entstehenden Modelle sind h\u00e4ufig zu ressourcenintensiv oder ben\u00f6tigen Umgebungen, die auf Mikrocontrollern nicht verf\u00fcgbar sind, um direkt auf diesen verwendet zu werden. Wer die Architektur der Modelle und die Vorverarbeitung der Signale vollst\u00e4ndig in der Hand haben m\u00f6chte, kann diese Frameworks jedoch trotzdem nutzen. Denn im vorherigen Abschnitt wurden Konverter vorgestellt, die es erm\u00f6glichen, kleine Modelle, die mit diesen Frameworks erstellt wurden, in f\u00fcr Mikrocontroller optimierten C\/C++-Code zu konvertieren.<\/p>\n\n\n\n<p><strong>St\u00e4rken:<\/strong><\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>maximale Kontrolle \u00fcber Architektur und Vorverarbeitung<\/li>\n\n\n\n<li>zahlreiche Konverter vor allem f\u00fcr besonders f\u00fcr TensorFlow-Modelle<\/li>\n<\/ul>\n\n\n\n<p><strong>Schw\u00e4chen:<\/strong><\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Kenntnisse in der Programmierung und im Machine Learning n\u00f6tig<\/li>\n\n\n\n<li>nicht prim\u00e4r f\u00fcr Einsatz auf Mikrocontrollern entwickelt<\/li>\n\n\n\n<li>sehr gro\u00dfe oder komplexe Modelle eventuell nicht konvertiertbar<\/li>\n<\/ul>\n\n\n        <\/div>\n    <\/div>\n<\/div>\n\n\n<div class=\"dhsv-akkordeon--item\" aria-expanded=\"false\">\n    <button class=\"item-header\">\n        <span class=\"title\"><strong>ST Edge AI Suite<\/strong><\/span>\n        <span class=\"dhsv-button-icon\">\n            <svg class=\"dhsv-icon\" width=\"14\" height=\"9\" viewBox=\"0 0 14 9\" fill=\"none\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\">\n  <path d=\"M6.29399 8.08199C6.68448 8.47248 7.31864 8.47248 7.70914 8.08199L13.7071 2.084C14.0976 1.6935 14.0976 1.05934 13.7071 0.668847C13.3166 0.278353 12.6825 0.278353 12.292 0.668847L7 5.96083L1.70802 0.671971C1.31753 0.281477 0.683365 0.281477 0.292871 0.671971C-0.0976236 1.06247 -0.0976236 1.69663 0.292871 2.08712L6.29086 8.08511L6.29399 8.08199Z\" fill=\"currentColor\"\/>\n<\/svg>        <\/span>\n    <\/button>\n    <div class=\"dhsv-akkordeon--item__body\" style=\"height: 0\">\n        <div>\n            \n\n<p>STMicroelectronics bietet in der ST Edge AI Suite eine Sammlung von Anwendungen f\u00fcr den Bereich Embedded Machine Learning f\u00fcr ST-Produkte. In der Suite werden das AutoML Tool NanoEdge AI Studio und die ST Edge AI Developer Cloud mit Tools zum Datenloggen, Benchmarking und Training sowie schon fertig erstelle Modelle bereitgestellt.<\/p>\n\n\n\n<p><strong>St\u00e4rken:<\/strong><\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>ausf\u00fchrliche Dokumentation <\/li>\n\n\n\n<li>Optimierung f\u00fcr ST-Produkte<\/li>\n\n\n\n<li>\u00dcbersicht \u00fcber Edge-AI-Tools von ST<\/li>\n<\/ul>\n\n\n\n<p><strong>Schw\u00e4chen:<\/strong><\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>nur f\u00fcr ST-Produkte<\/li>\n<\/ul>\n\n\n        <\/div>\n    <\/div>\n<\/div>\n\n\n       <\/div>\n    <\/div>\n<\/div>\n\n\n\n<div style=\"height:20px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n\n<h2 class=\"wp-block-heading\">Fazit<\/h2>\n\n\n\n<p>Wer eine Idee ausprobieren m\u00f6chte und noch nicht viel Erfahrung im Bereich Embedded AI hat, wird mit Edge Impulse schnell zu Ergebnissen kommen, ohne sich lange einarbeiten zu m\u00fcssen. Das Tool ist aber nicht nur einsteigerfreundlich sondern, bietet auch viele Optionen zur Erweiterung der Funktionen. Dennoch lohnt es sich, auch auf andere Anbieter zu schauen, da diese zum Teil kleinere Modelle erstellen k\u00f6nnen oder auch klassisches Machine Learning anbieten. Wer die maximale Kontrolle \u00fcber die Datenvorverarbeitung und die Modellbildung haben m\u00f6chte, kann mit bekannten Frameworks wie TensorFlow oder scikit-learn eigene Modelle erstellen und diese \u00fcber diverse Konverter in C\/C++-Bibliotheken konvertieren.<\/p>\n\n\n\n<p>Die Welt der TinyML-Tools ist vielf\u00e4ltig und w\u00e4chst stetig. Da sich dieser Beitrag auf eine praxisnahe Auswahl mit unterschiedlichen St\u00e4rken konzentriert, haben wir nicht alle L\u00f6sungen im Detail behandelt. Wenn Sie ein Tool kennen, das hier fehlt und Ihrer Meinung nach unbedingt erw\u00e4hnt werden sollte, freuen wir uns \u00fcber Ihre Hinweise in den Kommentaren!<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Entdecken Sie die besten Tools f\u00fcr Ihr TinyML Projekt! Finden Sie passende Bibliotheken, Konverter oder ganze Komplettl\u00f6sungen, die Sie auch ohne Vorkenntnisse Schritt f\u00fcr Schritt durch Ihr Projekt begleiten.<\/p>\n","protected":false},"author":28,"featured_media":7673,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[171],"tags":[705,672,205,207,206,675,673,210,674,208,209],"post-author":[671],"class_list":["post-3764","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-technik-wissen","tag-automl","tag-edge-impulse","tag-ki","tag-kuenstliche-intelligenz","tag-machine-learning","tag-nano-edge-ai-studio","tag-neuton","tag-sensoren","tag-tflite","tag-tinyml","tag-winziges-maschinelles-lernen","post-author-thalea"],"acf":[],"info":{"thumbnail":{"url":"https:\/\/elvjournal.elv.com\/wp-content\/uploads\/header_ML_Tools-1.jpg","alt":""},"teaserImage":{"ID":7670,"id":7670,"title":"liste-beitrag_ml_tools_neu","filename":"Liste-Beitrag_ML_tools_neu.jpg","filesize":95143,"url":"https:\/\/elvjournal.elv.com\/wp-content\/uploads\/Liste-Beitrag_ML_tools_neu.jpg","link":"https:\/\/de.elv.com\/elvjournal\/tinyml-einfuehrung-machine-learning-auf-mikrocontrollern\/liste-beitrag_ml_tools_neu\/","alt":"","author":"5","description":"","caption":"","name":"liste-beitrag_ml_tools_neu","status":"inherit","uploaded_to":1715,"date":"2025-11-07 12:10:07","modified":"2025-11-07 12:10:07","menu_order":0,"mime_type":"image\/jpeg","type":"image","subtype":"jpeg","icon":"https:\/\/elvjournal.elv.com\/wp-includes\/images\/media\/default.png","width":433,"height":274,"sizes":{"thumbnail":"https:\/\/elvjournal.elv.com\/wp-content\/uploads\/Liste-Beitrag_ML_tools_neu-250x250.jpg","thumbnail-width":250,"thumbnail-height":250,"medium":"https:\/\/elvjournal.elv.com\/wp-content\/uploads\/Liste-Beitrag_ML_tools_neu-300x190.jpg","medium-width":300,"medium-height":190,"medium_large":"https:\/\/elvjournal.elv.com\/wp-content\/uploads\/Liste-Beitrag_ML_tools_neu.jpg","medium_large-width":433,"medium_large-height":274,"large":"https:\/\/elvjournal.elv.com\/wp-content\/uploads\/Liste-Beitrag_ML_tools_neu.jpg","large-width":433,"large-height":274,"1536x1536":"https:\/\/elvjournal.elv.com\/wp-content\/uploads\/Liste-Beitrag_ML_tools_neu.jpg","1536x1536-width":433,"1536x1536-height":274,"2048x2048":"https:\/\/elvjournal.elv.com\/wp-content\/uploads\/Liste-Beitrag_ML_tools_neu.jpg","2048x2048-width":433,"2048x2048-height":274,"gform-image-choice-sm":"https:\/\/elvjournal.elv.com\/wp-content\/uploads\/Liste-Beitrag_ML_tools_neu.jpg","gform-image-choice-sm-width":300,"gform-image-choice-sm-height":190,"gform-image-choice-md":"https:\/\/elvjournal.elv.com\/wp-content\/uploads\/Liste-Beitrag_ML_tools_neu.jpg","gform-image-choice-md-width":400,"gform-image-choice-md-height":253,"gform-image-choice-lg":"https:\/\/elvjournal.elv.com\/wp-content\/uploads\/Liste-Beitrag_ML_tools_neu.jpg","gform-image-choice-lg-width":433,"gform-image-choice-lg-height":274}},"categories":[{"id":171,"name":"Technik-Wissen","slug":"technik-wissen"}],"authors":[{"id":671,"name":"Thalea","slug":"thalea"}],"document":false,"epaper":"","date":"17. Februar 2026","excerpt":"Entdecken Sie die besten Tools f\u00fcr Ihr TinyML Projekt! Finden Sie passende Bibliotheken, Konverter oder ganze Komplettl\u00f6sungen, die Sie auch ohne Vorkenntnisse Schritt f\u00fcr Schritt durch Ihr Projekt begleiten."},"_links":{"self":[{"href":"https:\/\/de.elv.com\/elvjournal\/wp-json\/wp\/v2\/posts\/3764","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/de.elv.com\/elvjournal\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/de.elv.com\/elvjournal\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/de.elv.com\/elvjournal\/wp-json\/wp\/v2\/users\/28"}],"replies":[{"embeddable":true,"href":"https:\/\/de.elv.com\/elvjournal\/wp-json\/wp\/v2\/comments?post=3764"}],"version-history":[{"count":10,"href":"https:\/\/de.elv.com\/elvjournal\/wp-json\/wp\/v2\/posts\/3764\/revisions"}],"predecessor-version":[{"id":13180,"href":"https:\/\/de.elv.com\/elvjournal\/wp-json\/wp\/v2\/posts\/3764\/revisions\/13180"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/de.elv.com\/elvjournal\/wp-json\/wp\/v2\/media\/7673"}],"wp:attachment":[{"href":"https:\/\/de.elv.com\/elvjournal\/wp-json\/wp\/v2\/media?parent=3764"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/de.elv.com\/elvjournal\/wp-json\/wp\/v2\/categories?post=3764"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/de.elv.com\/elvjournal\/wp-json\/wp\/v2\/tags?post=3764"},{"taxonomy":"post-author","embeddable":true,"href":"https:\/\/de.elv.com\/elvjournal\/wp-json\/wp\/v2\/post-author?post=3764"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}