arduino nano 33 ble sense

Das Arduino Nano 33 BLE Sense Rev2 ist Arduinos 3,3-V-AI-fähiges Board im kleinsten verfügbaren Formfaktor mit einer Reihe von Sensoren, mit denen Sie ohne externe Hardware sofort mit der Programmierung Ihres nächsten Projekts beginnen können. Mit dem Arduino Nano 33 BLE Sense Rev2 können Sie: Bauen Sie tragbare Geräte, die mithilfe von KI Bewegungen erkennen können Bauen Sie ein Gerät zur Überwachung der Raumtemperatur, das Änderungen am Thermostat vorschlagen oder ändern kann Bauen Sie ein Gesten- oder Spracherkennungsgerät mit dem Mikrofon oder dem Gestensensor zusammen mit den KI-Fähigkeiten des Boards Das Hauptmerkmal dieses Boards ist neben der vollständigen Auswahl an Sensoren die Möglichkeit, Edge-Computing-Anwendungen (AI) mit TinyML darauf auszuführen. Betriebsspannung: 3,3 V Eingangsspannung (Grenze): 21V Gleichstrom pro I/O-Pin: 15mA Taktfrequenz: 64MHz CPU-Flash-Speicher: 1 MB (nRF52840) SRAM: 256 KB (nRF52840) EEPROM: keiner Digitale Eingangs-/Ausgangspins: 14 PWM-Pins: alle digitalen Pins UART: 1 SPI: 1 I2C: 1 A

- Arduino Nano BLE Sense Rev.2 - Mikrocontroller: nRF52840 mit Cortex M4F - Bluetooth 5.0 für BLE-Kommunikation

- Lern-Kit - Set bestehend aus: 1 Arduino Nano 33 BLE Sense Board, 1 OV7675 Kamera, 1 Arduino Tiny Machine Learning Shield, 1 USB A zu Micro USB Kabel

Arduino Nano 33 BLE Sense

Arduino Nano 33 BLE Sense with headers

Arduino Nano Connector Carrier - Erweiterungsboard für Arduino Nano | QWIIC- & Grove-kompatibel Der Arduino Nano Connector Carrier ist die ideale Erweiterung für alle, die das volle Potenzial der Arduino Nano-Familie ausschöpfen möchten. Dieses kompakte Trägerboard bietet eine Vielzahl an standardisierten Anschlüssen und Schnittstellen, um Sensoren, Aktoren und Module direkt und unkompliziert zu verbinden - perfekt für Maker, Bildungseinrichtungen und professionelle Entwickler. Ob du mit MicroPython arbeitest, ein IoT-Projekt mit Matter realisieren möchtest oder einfach ein schnelles Hardware-Prototyping brauchst: Der Nano Connector Carrier macht es möglich - effizient, flexibel und zukunftssicher. Highlights Plug & Play: Unterstützung für Grove- und Qwiic-Module - ohne Lötaufwand MicroPython-Ready: Mit Boards wie dem RP2040 oder ESP32 sofort MicroPython einsetzen Edge AI & IoT: Ideal für smarte Anwendungen mit Datenlogging, Steuerung und Sensordatenerfassung Perfekt für Modulinos: Nahtlose Integration mit der Arduino Modulino-Serie Kompakt & robust: Ideal für tragbare Projekte, Schulversuche und smarte Controllerlösungen Technische Spezifikationen Anschlüsse: 2× Grove Analog/Digital GPIO 1× Grove I2C 1× Grove UART 1× Qwiic I2C microSD-Kartenslot für Datenlogging & lokale Speicherung doppelte Nano-Header-Leisten (female) zur einfachen Nano-Montage Spannungsumschalter: Auswahl zwischen 3.3 V und 5 V I/O Abmessungen: nur 28 × 43 mm - ideal für kompakte Projekte kompatibel mit: Arduino Nano, Nano Every, Nano ESP32, Nano RP2040 Connect, Nano 33 IoT, Nano 33 BLE Sense Rev2, Nano Matter

This book explores TinyML, a fast-growing field at the unique intersection of machine learning and embedded systems to make AI ubiquitous with extremely low-powered devices such as microcontrollers. The TinyML Cookbook starts with a practical introduction to this multidisciplinary field to get you up to speed with some of the fundamentals for deploying intelligent applications on Arduino Nano 33 BLE Sense and Raspberry Pi Pico. As you progress, you'll tackle various problems that you may encounter while prototyping microcontrollers, such as controlling the LED state with GPIO and a push-button, supplying power to microcontrollers with batteries, and more. Next, you'll cover recipes relating to temperature, humidity, and the three "V" sensors (Voice, Vision, and Vibration) to gain the necessary skills to implement end-to-end smart applications in different scenarios. Later, you'll learn best practices for building tiny models for memory-constrained microcontrollers. Finally, you'll explore two of the most recent technologies, microTVM and microNPU that will help you step up your TinyML game. By the end of this book, you'll be well-versed with best practices and machine learning frameworks to develop ML apps easily on microcontrollers and have a clear understanding of the key aspects to consider during the development phase.