Jedes trainierte Modell als eigenständigen Code exportieren
Ein trainiertes Modell ist erst dann nützlich, wenn es im Zielsystem läuft - auf einem Mikrocontroller, in einem Simulink-Block oder in einem Python-Analyseskript. Jedes Modell, das beim Virtuellen Sensor trainieren entstanden ist oder aus einer Modellwettbewerb-Bestenliste ausgewählt wurde, kann direkt exportiert werden, ohne separates Konvertierungswerkzeug.
C, C++, Python oder MATLAB als Exportziel
Das Exportformat wird im Exportdialog ausgewählt, ohne separates Exportwerkzeug und ohne zusätzlichen Konvertierungsschritt: C für einen reinen MCU-Build, C++ für eine klassenbasierte Schnittstelle, Python für ein Analyseskript oder einen Dienst, MATLAB für den Einsatz in einem Simulink-Block. Der exportierte Code ist eine eigenständige Implementierung der Vorhersagefunktion des Modells - keine Abhängigkeit von Data Sensors, keine Laufzeitbibliothek, gegen die gelinkt werden müsste.
Volle Genauigkeit oder int8-quantisiert, mit Live-Vorschau vor dem Speichern
Jeder Export kann in voller Genauigkeit oder int8-quantisiert erfolgen, und der Dialog zeigt für beide Varianten eine Live-Schätzung von Größe und Genauigkeit, bevor Sie sich festlegen. Die Entscheidung zwischen „passt in 4 KB Flash“ und „entspricht exakt der Genauigkeit zum Trainingszeitpunkt“ beruht damit auf konkreten Zahlen und muss nicht erst nach dem Speichern überprüft werden.
Jeder Eintrag der Bestenliste ist einzeln exportierbar
Stammt ein Modell aus einem Modellwettbewerb-Lauf, ist der Export nicht auf den bestplatzierten Eintrag beschränkt: Ein etwas weniger genauer Random Forest kann auf Ihrer Zielhardware schneller laufen, ein kleineres neuronales Netz besser in Ihr Flash-Budget passen. Jeder Eintrag der Bestenliste kann einzeln exportiert werden, unabhängig von den anderen.
Ein exportiertes Modell reimportieren
Ein Modell, das in einer früheren Sitzung nach C, C++ oder Python exportiert wurde, lässt sich über Virtueller Sensor > Virtuellen Sensor importieren... wieder laden: Wählen Sie die Datei aus (ein Compiler für C/C++ oder ein Python-Interpreter wird automatisch erkannt, mit manuellem Fallback in beiden Fällen). Seine Eingangskanäle und ihre ursprüngliche Trainingsreihenfolge werden automatisch aus der begleitenden Datei des Modells übernommen. Anschließend läuft es direkt gegen die aktuell geladene Messung und wird als gewöhnliches, darstellbares Signal hinzugefügt. Ein erneutes Training ist nicht nötig, und die ursprüngliche Trainingssitzung wird nicht mehr benötigt.
