IA embarquée : faire tourner l’intelligence artificielle sur ESP32 et Raspberry Pi

L’intelligence artificielle ne vit plus seulement dans les grands centres de données. Aujourd’hui, une petite carte à quelques centaines de dirhams peut reconnaître un mot-clé, détecter une vibration anormale ou repérer une présence devant une caméra, sans connexion Internet. C’est ce qu’on appelle l’IA embarquée, ou edge AI. Dans cet article, nous voyons concrètement comment faire tourner un modèle d’IA sur un ESP32 ou un Raspberry Pi, avec quels outils, et par quel projet commencer.

Qu’est-ce que l’IA embarquée et le TinyML ?

L’IA embarquée consiste à exécuter un modèle d’apprentissage automatique directement sur l’appareil qui collecte les données, au lieu d’envoyer ces données vers un serveur distant. Elle prolonge naturellement l’électronique embarquée : le même système qui lit un capteur prend aussi la décision.

Le TinyML (Tiny Machine Learning) désigne la partie la plus « minuscule » de ce domaine : des modèles optimisés pour des microcontrôleurs qui disposent de quelques centaines de kilo-octets de RAM et consomment très peu d’énergie. Le modèle est entraîné sur un ordinateur, puis compressé (souvent quantifié en entiers 8 bits) avant d’être chargé dans la carte, qui se contente de faire l’inférence, c’est-à-dire la prédiction.

Pourquoi c’est important pour vos projets

Réactivité : la décision est prise localement, sans aller-retour vers le cloud.
Confidentialité : le son ou l’image ne quitte pas l’appareil ; seul le résultat peut être transmis.
Fonctionnement hors ligne : idéal pour une ferme, un atelier ou un site isolé où la connexion est instable.
Faible consommation et faible coût : un microcontrôleur peut fonctionner sur batterie et coûte bien moins cher qu’un ordinateur.

ESP32 et ESP32-S3 : de l’IA sur microcontrôleur

Les cartes ESP32 d’Espressif sont très populaires chez les makers : processeur jusqu’à 240 MHz, Wi-Fi et Bluetooth intégrés, nombreux GPIO et un prix accessible. L’ESP32 classique suffit déjà pour des modèles légers, par exemple la classification de signaux d’un accéléromètre.

L’ESP32-S3 va plus loin pour l’IA : ses deux cœurs Xtensa LX7 ajoutent des instructions vectorielles (SIMD), capables de traiter plusieurs données en une seule opération, ce qui rend les convolutions et les filtres numériques des petits réseaux de neurones nettement plus rapides. Associé à de la PSRAM externe, il peut gérer des tâches plus lourdes comme la détection d’un mot-clé ou la reconnaissance d’images basse résolution. Une carte comme l’ESP32-S3-DEVKITC-1-N8R8 (8 Mo de flash et 8 Mo de PSRAM) est un très bon point de départ.

Si vous hésitez encore entre plusieurs familles de puces, notre guide pour choisir le bon microcontrôleur vous aidera à comparer mémoire, performances et consommation.

Raspberry Pi et accélérateurs d’IA

Le Raspberry Pi joue dans une autre catégorie : c’est un véritable ordinateur sous Linux. Un Raspberry Pi 4 peut exécuter Python, OpenCV et des modèles TensorFlow Lite plus gros qu’un microcontrôleur, par exemple de la détection d’objets sur un flux vidéo à cadence modérée. C’est la plateforme idéale pour prototyper rapidement avec les outils habituels de la data science.

Pour des besoins plus intensifs, il existe des accélérateurs dédiés : le Raspberry Pi AI HAT+ (basé sur une puce Hailo) pour le Raspberry Pi 5, la caméra Raspberry Pi AI Camera qui exécute le modèle directement dans son capteur Sony IMX500, ou encore l’accélérateur USB Coral (Edge TPU) de Google. Ils déchargent le processeur principal et permettent une vision par ordinateur bien plus fluide.

Les outils incontournables

TensorFlow Lite for Microcontrollers (LiteRT)

Bibliothèque open source de Google, aujourd’hui intégrée à LiteRT, qui permet d’exécuter des modèles TensorFlow quantifiés sur microcontrôleur. Elle fournit des exemples classiques : détection de mot-clé (« micro speech »), reconnaissance de gestes et détection de personne. Espressif maintient un portage optimisé pour l’ESP32.

Edge Impulse

Plateforme en ligne qui guide tout le processus : collecte des données, extraction de caractéristiques, entraînement, test puis export du modèle sous forme de bibliothèque Arduino ou C++. Elle prend en charge l’ESP32 comme le Raspberry Pi, et c’est sans doute le moyen le plus simple de débuter sans être expert en machine learning.

ESP-DL et ESP-WHO

ESP-DL est la bibliothèque d’apprentissage profond d’Espressif, optimisée pour ses puces (notamment l’ESP32-S3). ESP-WHO s’appuie dessus pour proposer des exemples de détection et de reconnaissance de visages, tandis qu’ESP-SR fournit la détection de mot d’éveil et la reconnaissance de commandes vocales.

Exemples de projets concrets

Mot d’éveil (wake-word) : un microphone numérique I2S et un ESP32-S3 qui réagissent à un mot précis pour allumer une lampe ou déclencher un relais.
Détection de gestes ou de vibrations : un accéléromètre qui reconnaît un mouvement de la main ou le comportement anormal d’un moteur.
Détection de personne avec ESP32-CAM : une petite caméra qui signale une présence sans envoyer la vidéo sur Internet.
Maintenance prédictive : surveiller les vibrations, la température ou le courant d’une machine industrielle pour anticiper une panne avant qu’elle n’arrive.

Projet de démarrage : reconnaître des mouvements avec un ESP32

Voici une méthode simple pour créer votre premier modèle TinyML avec Edge Impulse et l’IDE Arduino.

Câbler le capteur : reliez un accéléromètre I2C à l’ESP32 (3,3 V, GND, SDA, SCL).
Collecter les données : écrivez un petit programme qui envoie les mesures sur le port série, puis utilisez l’outil data forwarder d’Edge Impulse pour les enregistrer. Faites plusieurs minutes d’exemples pour chaque classe : « repos », « secousse », « cercle »…
Concevoir le modèle : dans Edge Impulse, ajoutez un bloc d’analyse spectrale puis un classifieur (petit réseau de neurones).
Entraîner et tester : vérifiez la précision sur les données de test et ajoutez des exemples si certaines classes se confondent.
Déployer : exportez le modèle en bibliothèque Arduino, ajoutez-la à l’IDE, ouvrez l’exemple fourni et téléversez-le sur l’ESP32.
Agir : selon la classe détectée, allumez une LED, déclenchez un buzzer ou envoyez une notification en Wi-Fi.

Une fois ce projet maîtrisé, vous pourrez appliquer exactement la même démarche à du son ou à des images.

Liste des composants

Une carte ESP32, idéalement ESP32-S3 avec PSRAM pour les projets audio et image ;
Un capteur adapté au projet : accéléromètre, microphone I2S, module caméra ou d’autres capteurs (température, courant…) ;
Une breadboard et des fils de connexion ;
Un câble USB pour la programmation et l’alimentation ;
Optionnel : un Raspberry Pi pour les modèles plus lourds ou la vision par ordinateur.

Conclusion

L’IA embarquée n’est plus réservée aux laboratoires : avec un ESP32-S3, un Raspberry Pi et des outils gratuits comme Edge Impulse ou TensorFlow Lite for Microcontrollers, chaque maker, étudiant ou ingénieur peut créer des objets capables de comprendre leur environnement. Commencez petit avec un capteur de mouvement, puis passez progressivement au son et à la vision.

Pour lancer votre projet, retrouvez sur Djenni plus de 900 références : cartes ESP32, Raspberry Pi, capteurs et composants. Paiement à la livraison ou par virement bancaire, livraison gratuite dès 760 Dhs (40 Dhs en dessous) partout au Maroc. Une question sur le choix de votre matériel ? Écrivez-nous sur WhatsApp au +212 669 273 689.