减少传输、节省更多：面向物联网的嵌入式 CNN 推理与数据传输能源效率基准测试
机器学习
2025-10-31 v2
摘要
物联网 (IoT) 与人工智能的融合为增强我们监测和应对生态变化的能力提供了重大机遇。随着环境挑战日益严峻，制定有效的远程监测解决方案的需求愈发紧迫。在设计面向环境监测的 IoT 应用程序时，尤其是涉及图像数据的应用，一个主要挑战是创建能够在远离电源有限的地区长期运行的能源高效 IoT 设备。Tiny Machine Learning 领域的进展使得在资源受限的电池供电微控制器上使用卷积神经网络 (CNN) 成为可能。由于数据传输能耗高，执行微控制器上的推理以减少消息大小可延长 IoT 节点的运行寿命。本工作评估了常见的低功耗广域网网络和在特定领域数据集上训练的压缩 CNN 在 ESP32-S3 上的能源效率。我们的实验结果表明，除了其他发现外，，在设备上执行 CNN 推理并仅传输结果，相比发送原始图像数据可整体降低能源消耗最高可达五倍。这些发现主张开发低碳足迹的 IoT 应用程序，能够在环境监测场景下实现自主运行，同时融入 EmbeddedML。
引用
@article{arxiv.2510.24829,
title = {Send Less, Save More: Energy-Efficiency Benchmark of Embedded CNN Inference vs. Data Transmission in IoT},
author = {Benjamin Karic and Nina Herrmann and Jan Stenkamp and Paula Scharf and Fabian Gieseke and Angela Schwering},
journal= {arXiv preprint arXiv:2510.24829},
year = {2025}
}
备注
11 Pages, Paper lists the categories for the ACM Computing Classification System