Automatic Signal Recognition with AI Machine Learning and RTL-SDR
嗯，用户让我帮忙总结一下这篇文章的内容，控制在100个字以内，而且不需要用“文章内容总结”之类的开头。直接写描述就行。
首先，我需要通读整篇文章，抓住主要信息。文章讲的是一个叫RTL-ML的开源项目，由Trevor Unland提交。这个项目是用机器学习自动识别和分类八种不同的信号类型，运行在低功耗的ARM处理器上，比如Raspberry Pi 5或者Indiedroid Nova，搭配RTL-SDR使用。
文章提到RTL-ML的准确率是87.5%，覆盖了八种实际信号类型，包括ADS-B、NOAA天气卫星、ISM传感器等等。这个工具包是用Python写的，完全开源，代码在GitHub上，训练数据在HuggingFace上分享。
项目提供了一个完整的管道，从信号捕获到训练分类器。和其他依赖合成数据或昂贵GPU的学术方法不同，RTL-ML使用真实信号和边缘硬件，不需要云端依赖。模型大小只有186KB，在Pi 5上处理信号大约需要120毫秒。
GitHub仓库里有完整的捕获和训练脚本、预训练模型、验证过的频谱图以及文档，方便添加新的信号类型。它在Raspberry Pi 5和Indiedroid Nova上都能直接运行。
用户可能对技术细节感兴趣，比如模型的大小、处理速度、支持的硬件等。同时，他们可能也关心项目的开放性和易用性。
总结的时候需要涵盖项目名称、功能、准确率、支持的信号类型、硬件要求以及开源情况。要简洁明了，在100字以内。
所以最终的总结应该包括：RTL-ML是一个开源Python工具包，用于机器学习自动分类无线电信号，在ARM单板计算机和RTL-SDR上运行，准确率87.5%，支持八种实际信号类型。
RTL-ML 是一个开源 Python 工具包，用于通过机器学习自动分类无线电信号。它在 ARM 单板计算机（如 Raspberry Pi 5 或 Indiedroid Nova）和 RTL-SDR 上运行，支持 8 种实际信号类型（如 ADS-B 和 NOAA 天气卫星），准确率高达 87.5%。