{"id":5350,"date":"2026-03-17T08:55:43","date_gmt":"2026-03-17T07:55:43","guid":{"rendered":"https:\/\/de.elv.com\/elvjournal\/?p=5350"},"modified":"2026-04-14T16:30:58","modified_gmt":"2026-04-14T14:30:58","slug":"machine-learning-fuer-maker-ueberblick-edge-impulse","status":"publish","type":"post","link":"https:\/\/de.elv.com\/elvjournal\/machine-learning-fuer-maker-ueberblick-edge-impulse\/","title":{"rendered":"Machine Learning f\u00fcr Maker &#8211; \u00dcberblick Edge Impulse"},"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\">\u00dcberblick Edge Impulse<\/h1>\n\n\n\n<p><strong>Die wohl bekannteste Plattform, um mit dem Tiny Machine Learning zu starten, ist Edge Impulse. Da sich diese besonders intuitiv bedienen l\u00e4sst und trotzdem viele M\u00f6glichkeiten bietet, werden wir Edge Impulse in einigen Projekten verwenden. Dieser Beitrag gibt einen grundlegenden \u00dcberblick \u00fcber die Funktionsweise der beliebten Plattform.<\/strong><\/p>\n\n\n\n<p>Im Beitrag <a href=\"https:\/\/de.elv.com\/elvjournal\/tinyml-tools-fuer-maker\/\" target=\"_blank\" rel=\"noreferrer noopener\">Tools <\/a>haben wir Edge Impulse bereits vorgestellt. Hier m\u00f6chten wir Ihnen einen kurzen Einstieg in die Plattform geben.<\/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\">\u00d6ffentliche und private Projekte<\/h2>\n\n\n\n<p>Unter diesem <a href=\"https:\/\/studio.edgeimpulse.com\/signup\">Link <\/a>k\u00f6nnen Sie sich einen Account bei Edge Impulse erstellen. Wenn Sie bei der standardm\u00e4\u00dfig kostenlosen Variante bleiben, k\u00f6nnen Sie aktuell drei private Projekte erstellen. Das bedeutet, dass nur Sie und bis zu zwei von Ihnen eingeladene Personen das Projekt sehen k\u00f6nnen. Erstellen Sie ein \u00f6ffentliches Projekt, wird es unter \u00f6ffentliche Projekte gef\u00fchrt (<a href=\"https:\/\/edgeimpulse.com\/projects\/all\" target=\"_blank\" rel=\"noreferrer noopener\">Public projects<\/a>) und andere k\u00f6nnen Ihr Projekt und vor allem auch Ihre hochgeladenen Daten anschauen, herunterladen und selbst verwenden.<\/p>\n\n\n\n<p>Wenn Sie nach Inspiration f\u00fcr ein Projekt suchen, k\u00f6nnen Sie auch bei den zuvor verlinkten \u00f6ffentlichen Projekten f\u00fcndig werden: Ob ein Toaster, der anhand des Geruchs immer das perfekte Toast macht oder ein System, das das Martinshorn erkennt und so geh\u00f6rlose Verkehrsteilnehmer optisch vorwarnen kann &#8211; die Spannweite der \u00f6ffentlichen Projekte ist sehr gro\u00df.<\/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\">Die wichtigsten Men\u00fcpunkte im \u00dcberblick<\/h2>\n\n\n\n<p>Nachdem Sie sich bei Edge Impulse registriert haben, werden Sie auf die Startseite eines neuen Projektes geleitet. Bei der ersten Anmeldung wird ein Pop-up angezeigt, das Sie zu einem Tutorial leitet. Wenn Sie das Pop-up minimieren, k\u00f6nnen Sie sich zun\u00e4chst die Benutzeroberfl\u00e4che genauer anschauen <mark style=\"background-color:rgba(0, 0, 0, 0)\" class=\"has-inline-color has-blue-color\">(siehe Bild 1)<\/mark>. Auf der linken Seite befinden sich verschiedene Schaltfl\u00e4chen:<\/p>\n\n\n<div class=\"dhsv-image-modal\">\n<figure class=\"wp-block-image size-full is-resized is-style-bordered show-in-modal\"><div class=\"image-modal__image\"><img loading=\"lazy\" decoding=\"async\" width=\"2532\" height=\"1294\" src=\"https:\/\/elvjournal.elv.com\/wp-content\/uploads\/image1.png\" alt=\"Bild 1: Dashboard Ansicht eines neuen Projektes\" class=\"wp-image-6535\" style=\"width:1094px;height:auto\" srcset=\"https:\/\/elvjournal.elv.com\/wp-content\/uploads\/image1.png 2532w, https:\/\/elvjournal.elv.com\/wp-content\/uploads\/image1-300x153.png 300w, https:\/\/elvjournal.elv.com\/wp-content\/uploads\/image1-1600x818.png 1600w, https:\/\/elvjournal.elv.com\/wp-content\/uploads\/image1-768x392.png 768w, https:\/\/elvjournal.elv.com\/wp-content\/uploads\/image1-1536x785.png 1536w\" sizes=\"auto, (max-width: 2532px) 100vw, 2532px\" \/><button type=\"button\" class=\"image-modal__open-button\" aria-label=\"Open image in modal\"><svg width=\"18\" height=\"18\" viewBox=\"0 0 18 18\" fill=\"none\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\">\n  <path d=\"M7.66602 1H0.999349V7.66667\" stroke=\"currentColor\" stroke-width=\"1.4\" stroke-linejoin=\"round\"\/>\n  <path d=\"M7.66602 7.66667L0.999349 1\" stroke=\"currentColor\" stroke-width=\"1.4\" stroke-linejoin=\"round\"\/>\n  <path d=\"M10.334 17H17.0007V10.3333\" stroke=\"currentColor\" stroke-width=\"1.4\" stroke-linejoin=\"round\"\/>\n  <path d=\"M10.334 10.3333L17.0006 17\" stroke=\"currentColor\" stroke-width=\"1.4\" stroke-linejoin=\"round\"\/>\n<\/svg><\/button><\/div><figcaption class=\"wp-element-caption\">Bild 1: Dashboard-Ansicht eines neuen Projekts<\/figcaption><\/figure>\n<\/div>\n\n\n<p class=\"has-gray-lightest-100-background-color has-background\"><strong>Info:<\/strong> Falls Sie dem Tutorial folgen, werden viele Einstellungen automatisch f\u00fcr Sie getroffen, sodass Sie schnell zu einem Ergebnis kommen. F\u00fcr die erfolgreiche Umsetzung eigener Projekte lohnt es sich jedoch, sich genauer mit der Plattform auseinanderzusetzen.<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Das <strong>Dashboard<\/strong> ist die Startseite, auf der grundlegende Informationen zum Projekt dargestellt werden. Wenn Sie sp\u00e4ter Daten hinzugef\u00fcgt und ihre ersten Modelle trainiert haben, k\u00f6nnen diese hier heruntergeladen werden. Oben rechts wird die aktuelle Zielhardware angezeigt. Diese l\u00e4sst sich jederzeit anpassen. Sie k\u00f6nnen eine voll unterst\u00fctze Hardware ausw\u00e4hlen oder, falls Sie Hardware nutzen, die nicht aufgef\u00fchrt wird, die Spezifikationen selbst eintragen.<\/li>\n\n\n\n<li>Unter <strong>Devices<\/strong> k\u00f6nnen Sie Ger\u00e4te hinzuf\u00fcgen, die Sie zum Aufnehmen der Daten verwenden m\u00f6chten. Es gibt eine Vielzahl an voll unterst\u00fctzten Ger\u00e4ten, f\u00fcr die direkt eine Firmware zum Loggen bereitgestellt wird. Ansonsten ist es auch m\u00f6glich, sich die Sensoren zunutze zu machen, die sich ohnehin in Ihrem Smartphone oder Laptop befinden oder auch \u00fcber eine Kommandozeilenschnittstelle (Edge Impulse CLI, Data Forwarder) beliebige Sensordaten seriell zu \u00fcbertragen.<\/li>\n\n\n\n<li>Wenn Sie bereits Daten aufgenommen haben, k\u00f6nnen Sie diese auch direkt bei <strong>Data acquisition<\/strong> hinzuf\u00fcgen. Der csv-Wizard hilft dabei, Daten im csv-Format richtig zu importieren. Alternativ k\u00f6nnen auch Cloud-Speicher verwendet werden, um automatisiert neue Daten hinzuzuf\u00fcgen. Wenn Sie ein Ger\u00e4t hinzugef\u00fcgt haben, lassen sich hiermit auch neue Daten aufnehmen und labeln. Vorhandene Daten werden hier angezeigt und k\u00f6nnen bearbeitet werden.<\/li>\n\n\n\n<li>Sie k\u00f6nnen &nbsp;mehrere Impulse erstellen und unter <strong>Experiments <\/strong>miteinander vergleichen. Auf den Begriff Impulse werden wir im n\u00e4chsten Absatz genauer eingehen. Als Unterkategorie wird der <strong>EON Tuner<\/strong> gelistet. Dies ein Tool, dass es Ihnen erm\u00f6glicht, mehrere Einstellungen f\u00fcr die Datenvorverarbeitung und das Modell systematisch auszuprobieren.<\/li>\n\n\n\n<li>In der Kategorie <strong>Impulse design<\/strong> wird der Designflow f\u00fcr das maschinelle Lernen abgebildet. Die Unterkategorien werden je nach verwendetem Modelltypen weiter erg\u00e4nzt.\n<ul class=\"wp-block-list\">\n<li>Unter <strong>Create Impulse<\/strong> wird die Datenverarbeitungskette festgelegt. Diese nennt sich Impulse und wird im Folgenden noch detaillierter beschrieben.<\/li>\n\n\n\n<li><ul><li><strong>Retrain Model<\/strong> erm\u00f6glicht es, den gesamten Trainings- und Testvorgang noch einmal durchzuf\u00fchren, ohne dass jeder Teil einzeln angeklickt werden m\u00fcsste. Die Voraussetzung daf\u00fcr ist, dass jeder Teil der Verarbeitungskette zun\u00e4chst einmal initial ausgef\u00fchrt wurde. Das ist vor allem dann praktisch, wenn neue Daten hinzugekommen sind oder falls Sie einige Einstellungen bei den Bl\u00f6cken ver\u00e4ndert haben.<\/li><\/ul><\/li>\n\n\n\n<li><ul><li>Es ist m\u00f6glich, das erstellte Modell beim Men\u00fcpunkt <strong>Live classification<\/strong> direkt im Browser zu testen. Dadurch entf\u00e4llt zun\u00e4chst der aufwendige Schritt, das Modell auf die Zielhardware zu \u00fcbertragen. Wenn ein Ger\u00e4t verbunden ist, k\u00f6nnen damit live neue Daten aufgenommen werden. Alternativ k\u00f6nnen auch bereits aufgenommene Daten noch einmal betrachtet und die Entscheidung genauer analysiert werden.<\/li><\/ul><\/li>\n\n\n\n<li><ul><li>Bei der Aufnahme der Daten kann man Daten zum Trainings- oder Testdatensatz hinzuf\u00fcgen. Die Daten im Testdatensatz werden f\u00fcrs Training au\u00dfen vorgelassen und erst beim Men\u00fcpunkt <strong>Model testing<\/strong> zum ersten Mal verwendet, um die Leistung des Modells auf unbekannten Daten zu testen.<\/li><\/ul><\/li>\n\n\n\n<li>Der letzte Punkt, <strong>Deployment<\/strong>, dient dazu, das trainierte und im Idealfall ausf\u00fchrlich getestete Modell mitsamt der Vorverarbeitungskette in eine Bibliothek zu exportieren. Hier k\u00f6nnen noch Einstellungen getroffen werden, die die Inferenzzeit und den ben\u00f6tigten Speicher beeinflussen.<\/li>\n<\/ul>\n<\/li>\n\n\n\n<li>Unter <strong>Versioning<\/strong> k\u00f6nnen wie mit Git Zwischenst\u00e4nde des Projekts gespeichert und zu einem sp\u00e4teren Zeitpunkt wiederhergestellt werden.<br><\/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\">Impulse f\u00fcr die Signalverarbeitung<\/h2>\n\n\n\n<p>Der Impulse ist das Herzst\u00fcck des Machine Learning Designflows von Edge Impulse, da dieser die gesamte Datenverarbeitung von den Rohdaten bis zum Ergebnis abbildet. Dieser Impulse besteht, wie in <mark style=\"background-color:rgba(0, 0, 0, 0)\" class=\"has-inline-color has-blue-color\">Bild 2<\/mark> zu sehen, aus den drei Bl\u00f6cken Eingangs-, Signalverarbeitungs- und Modellblock.<\/p>\n\n\n\n<figure class=\"wp-block-image size-full is-resized is-style-bordered\"><img loading=\"lazy\" decoding=\"async\" width=\"2600\" height=\"304\" src=\"https:\/\/elvjournal.elv.com\/wp-content\/uploads\/ML_edge_bild02-scaled.jpg\" alt=\"Bild 2: Diese Signalverarbeitungskette bildet bei Edge Impulse einen Impulse\" class=\"wp-image-7688\" style=\"width:1094px;height:auto\" srcset=\"https:\/\/elvjournal.elv.com\/wp-content\/uploads\/ML_edge_bild02-scaled.jpg 2600w, https:\/\/elvjournal.elv.com\/wp-content\/uploads\/ML_edge_bild02-300x35.jpg 300w, https:\/\/elvjournal.elv.com\/wp-content\/uploads\/ML_edge_bild02-1600x187.jpg 1600w, https:\/\/elvjournal.elv.com\/wp-content\/uploads\/ML_edge_bild02-768x90.jpg 768w, https:\/\/elvjournal.elv.com\/wp-content\/uploads\/ML_edge_bild02-1536x180.jpg 1536w, https:\/\/elvjournal.elv.com\/wp-content\/uploads\/ML_edge_bild02-2048x240.jpg 2048w\" sizes=\"auto, (max-width: 2600px) 100vw, 2600px\" \/><figcaption class=\"wp-element-caption\">Bild 2: Diese Signalverarbeitungskette bildet bei Edge Impulse einen Impulse<\/figcaption><\/figure>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Der <strong>Eingangsblock<\/strong> nimmt die Rohdaten auf und zerteilt diese in kleinere Fenster, falls Zeitreihen wie Audio- oder Bewegungsdaten vorliegen. Dort k\u00f6nnen dazu passende Einstellungen vorgenommen werden. Diese sind zum Beispiel die Fenstergr\u00f6\u00dfe, der Fensterversatz und die Frequenz. Bei Bildern wird die Bildgr\u00f6\u00dfe angepasst. Heraus kommen Datenbl\u00f6cke mit einer einheitlichen Gr\u00f6\u00dfe, die im zweiten Block Signalverarbeitung weiterverwendet werden.<\/li>\n\n\n\n<li>Der Block <strong>Signalverarbeitung<\/strong> dient dazu, die Daten von Zeitreihen in aussagekr\u00e4ftigere Eigenschaften (sogenannte Features) umzusetzen: W\u00fcrden wir die Rohdaten von zum Beispiel einem Beschleunigungsmessser in ein Modell geben, um bestimmte Bewegungen zu klassifizieren, wird man mit kleinen neuronalen Netzen (ohne Deep Learning) nicht weit kommen. Denn viel wichtiger als die Absolutwerte sind hierf\u00fcr beschreibende Eigenschaften des Signals. F\u00fcr Standardanwendungen wie Vibrationsanalyse, Audio- und Bildverarbeitung sind bereits Vorverarbeitungsbl\u00f6cke implementiert, die zum Beispiel Spektralanalysen oder statistische Analysen durchf\u00fchren. Es ist auch m\u00f6glich, hier eigene Vorverarbeitungsbl\u00f6cke einzubinden, wenn die zur Verf\u00fcgung stehenden nicht ausreichen.<br>Es k\u00f6nnen mehrere Vorverarbeitungsbl\u00f6cke eingebunden werden. F\u00fcr jeden Block erscheint links ein neuer Men\u00fcpunkt, unter dem Einstellungen zum Block vorgenommen werden k\u00f6nnen.<\/li>\n\n\n\n<li>Im dritten Block, dem <strong>Modellblock<\/strong>, wird der Aufgabentyp festgelegt. Das bedeutet, dass die Aufgabe des Modells festgelegt werden soll. Edge Impulse unterscheidet in Klassifikation, Regression, Anomalieerkennung, Objekterkennung und Transfer Learning. Die genaue Architektur wird im dazugeh\u00f6rigen Unterpunkt (z. B. Classifier, Anomaly detection) festgelegt. Auch bei diesem Block erm\u00f6glicht Edge Impulse, bei Bedarf eigene Bl\u00f6cke zu erstellen und hochzuladen (Bring Your Own Model). Bei einigen Modelltypen (vor allem klassisches Machine Learning mit scikit-learn) ist es mit der Standardlizenz jedoch nicht m\u00f6glich, sp\u00e4ter auch Modellbibliotheken zu exportieren.<br>Am Ende des Modellblocks steht eine Ausgabe, die zum Beispiel eine Klasse oder einen vorhergesagten Wert beinhalten kann. In Edge Impulse ist es auch m\u00f6glich, mehrere Modelle einzusetzen.<\/li>\n<\/ul>\n\n\n\n<p class=\"has-gray-lightest-100-background-color has-background\"><strong>Wissen:<\/strong> Beim maschinellem Lernen wird in \u00fcberwachtes und un\u00fcberwachtes Lernen unterschieden. Beim <strong>\u00fcberwachten Lernen<\/strong>, auch englisch supervised learning, ist zu jedem Trainingsbeispiel das eingetretene Ergebnis bekannt. Diese Daten besitzen daher ein Label. Die Ausgabe eines Modells kann im Training also mit der wahren Ausgabe verglichen werden. Anhand der Ergebnisse k\u00f6nnen auch Bewertungsmetriken berechnet werden, die die G\u00fcte des Modells in Zahlen fassen k\u00f6nnen. Typische Anwendungsf\u00e4lle sind die Klassifikation, bei der die Daten in verschiedene Klassen eingeteilt werden oder die Regression, bei der kontinuierliche Werte ausgegeben werden.<br>Beim <strong>un\u00fcberwachten Lernen<\/strong>, auch englisch unsupervised learning, ist das Ergebnis entsprechend unbekannt. Hierbei geht es zum Beispiel darum, in Daten nach Gruppen oder Anomalien zu suchen und diese weiter zu untersuchen.<\/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\">Zusammenhang mit dem CRISP-DM Modell<\/h2>\n\n\n\n<p>In <a href=\"https:\/\/de.elv.com\/elvjournal\/machine-learning-fuer-maker-ablauf-von-tinyml-projekten-der-crisp-dm-prozess\/\" target=\"_blank\" rel=\"noreferrer noopener\">diesem Beitrag<\/a> haben wir einen Standardprozess f\u00fcr Machine Learning Projekte vorgestellt. Auch, wenn der Edge Impulse Workflow nicht exakt den CRISP-DM Prozess abdeckt, finden sich viele Phasen wieder. Das Datenverst\u00e4ndnis findet sich vor allem unter <strong>Data acquisition <\/strong>wieder, auch wenn f\u00fcr bestimmte Funktionen bereits ein fertiger Impulse gefordert wird. Der <strong>Impulse<\/strong> deckt vor allem die Phasen Datenvorverarbeitung und Modellbildung ab. Mithilfe der Funktionen des (Live) Testens kann das Modell evaluiert werden und der Unterpunkt <strong>Deployment<\/strong> ist der Ausgangspunkt f\u00fcr die Einbettung des Impulses in ein Projekt.<\/p>\n\n\n\n<p>In diesem Beitrag wurde ein grober \u00dcberblick \u00fcber die Funktionsweise der Plattform Edge Impulse gegeben. Edge Impulse hat neben den erw\u00e4hnten Grundfunktionen noch viele tiefergehende Einstellungen. Ein besonders gro\u00dfer Vorteil ist, dass sich fehlende Funktionen, vor allem in der Signalverarbeitung, h\u00e4ufig selbst implementieren lassen. In den n\u00e4chsten Beitr\u00e4gen werden wir anhand von Beispielprojekten n\u00e4her auf n\u00fctzliche Funktionen und technische Hintergr\u00fcnde eingehen.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Verschaffen Sie sich einen \u00dcberblick \u00fcber die Tiny Machine Learning Plattform Edge Impulse.<\/p>\n","protected":false},"author":28,"featured_media":7666,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[171],"tags":[705,672,931,205,207,206,933,210,932,208,209],"post-author":[671],"class_list":["post-5350","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-technik-wissen","tag-automl","tag-edge-impulse","tag-impulse","tag-ki","tag-kuenstliche-intelligenz","tag-machine-learning","tag-ml","tag-sensoren","tag-signalverarbeitung","tag-tinyml","tag-winziges-maschinelles-lernen","post-author-thalea"],"acf":[],"info":{"thumbnail":{"url":"https:\/\/elvjournal.elv.com\/wp-content\/uploads\/header_ML_edge.jpg","alt":""},"teaserImage":{"ID":7667,"id":7667,"title":"liste-beitrag_ml_edge_neu","filename":"Liste-Beitrag_ML_edge_neu.jpg","filesize":41292,"url":"https:\/\/elvjournal.elv.com\/wp-content\/uploads\/Liste-Beitrag_ML_edge_neu.jpg","link":"https:\/\/de.elv.com\/elvjournal\/tinyml-einfuehrung-machine-learning-auf-mikrocontrollern\/liste-beitrag_ml_edge_neu\/","alt":"","author":"5","description":"","caption":"","name":"liste-beitrag_ml_edge_neu","status":"inherit","uploaded_to":1715,"date":"2025-11-07 12:09:58","modified":"2025-11-07 12:09:58","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_edge_neu-250x250.jpg","thumbnail-width":250,"thumbnail-height":250,"medium":"https:\/\/elvjournal.elv.com\/wp-content\/uploads\/Liste-Beitrag_ML_edge_neu-300x190.jpg","medium-width":300,"medium-height":190,"medium_large":"https:\/\/elvjournal.elv.com\/wp-content\/uploads\/Liste-Beitrag_ML_edge_neu.jpg","medium_large-width":433,"medium_large-height":274,"large":"https:\/\/elvjournal.elv.com\/wp-content\/uploads\/Liste-Beitrag_ML_edge_neu.jpg","large-width":433,"large-height":274,"1536x1536":"https:\/\/elvjournal.elv.com\/wp-content\/uploads\/Liste-Beitrag_ML_edge_neu.jpg","1536x1536-width":433,"1536x1536-height":274,"2048x2048":"https:\/\/elvjournal.elv.com\/wp-content\/uploads\/Liste-Beitrag_ML_edge_neu.jpg","2048x2048-width":433,"2048x2048-height":274,"gform-image-choice-sm":"https:\/\/elvjournal.elv.com\/wp-content\/uploads\/Liste-Beitrag_ML_edge_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_edge_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_edge_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. M\u00e4rz 2026","excerpt":"Verschaffen Sie sich einen \u00dcberblick \u00fcber die Tiny Machine Learning Plattform Edge Impulse."},"_links":{"self":[{"href":"https:\/\/de.elv.com\/elvjournal\/wp-json\/wp\/v2\/posts\/5350","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=5350"}],"version-history":[{"count":10,"href":"https:\/\/de.elv.com\/elvjournal\/wp-json\/wp\/v2\/posts\/5350\/revisions"}],"predecessor-version":[{"id":13177,"href":"https:\/\/de.elv.com\/elvjournal\/wp-json\/wp\/v2\/posts\/5350\/revisions\/13177"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/de.elv.com\/elvjournal\/wp-json\/wp\/v2\/media\/7666"}],"wp:attachment":[{"href":"https:\/\/de.elv.com\/elvjournal\/wp-json\/wp\/v2\/media?parent=5350"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/de.elv.com\/elvjournal\/wp-json\/wp\/v2\/categories?post=5350"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/de.elv.com\/elvjournal\/wp-json\/wp\/v2\/tags?post=5350"},{"taxonomy":"post-author","embeddable":true,"href":"https:\/\/de.elv.com\/elvjournal\/wp-json\/wp\/v2\/post-author?post=5350"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}