v2.6.0

v2.6.0 fügt einen Edge-Impulse-Uploader hinzu, mit dem sich gelabelte Datensätze direkt aus dem Dataset Editor versenden lassen, bringt die Unterstützung für das Arduino-Portenta-H7-Board und migriert den mitgelieferten Machine-Learning-Workflow von den veralteten CMSIS-NN-Modellen zu TensorFlow Lite. Diese Version bleibt auf der Qt-Creator-4.0.2-Basis, die auch in den vorherigen 2.x-Versionen verwendet wurde. Sie enthält einen für Anwender sichtbaren Bruch im Workflow: Die alten CMSIS-NN-.network-Modelle und ihre nn_*-Beispiele wurden entfernt, und die MobileNet-Modelle wurden verschoben.

Highlights

  • Edge-Impulse-Uploader ermöglicht es, sich bei deinem Edge-Impulse-Konto anzumelden, ein Projekt auszuwählen, eine Trainings-/Test-Aufteilung festzulegen und den geöffneten Datensatz direkt aus dem Dataset Editor hochzuladen.

  • Arduino Portenta H7 (STM32H747) ist nun ein unterstütztes Board mit mitgelieferter Firmware, mitgeliefertem Bootloader und UVC-Images.

  • TensorFlow-Lite-Migration ersetzt die veralteten CMSIS-NN-Modelle für neuronale Netze und die nn_*-Beispiele durch den TensorFlow-Lite-Workflow.

  • Neue ML-Beispiele ergänzen die Erfassung von Gesichtsdaten mit TensorFlow Lite sowie die Gesichtserkennung direkt auf dem Gerät.

  • Mitgelieferte Firmware für alle Boards von 3.6.4 auf 3.6.7 aktualisiert.

Neue Funktionen

  • Edge-Impulse-Uploader. Es wurde ein Uploader hinzugefügt, der sich bei deinem Edge-Impulse-Konto anmeldet, die Auswahl eines Projekts und einer Trainings-/Test-Aufteilung erlaubt und den geöffneten Datensatz direkt aus dem Dataset Editor (oder per API-Schlüssel) als signierte JPEG-Ingestion-Samples hochlädt. Der JWT-/API-Schlüssel wird in QSettings gespeichert (8a828b45b, fa86179a7, ca9183864, a267de659).

  • TensorFlow-Lite-Gesichtsbeispiele. Unter 25-Machine-Learning wurden tf_face_collection.py und tf_face_recognition.py für die Erfassung von Gesichtsdaten sowie die Gesichtserkennung/-klassifizierung direkt auf dem Gerät hinzugefügt (fb2d2cbb9).

  • Readout-Control-Beispiel. Unter 35-Readout-Control wurde ein Beispiel apriltag_tracking.py hinzugefügt, das das Hochgeschwindigkeits-Tracking von AprilTags durch Verschieben eines kleinen Sensor-Auslesefensters auf der OpenMV Cam H7 Plus (OV5640) demonstriert (0c6ce1a82).

Weitere Änderungen und Verbesserungen

  • Die veralteten CMSIS-NN-Modelle für neuronale Netze und die nn_*-Beispiele wurden durch den TensorFlow-Lite-Workflow ersetzt, und die mitgelieferten MobileNet-Modelle wurden von share/qtcreator/models/tensorflow/mobilenet nach share/qtcreator/models/mobilenet verschoben (0c6ce1a82).

Fehlerbehebungen

  • Behoben, dass der Dataset Editor eine Sperre auf einen geschlossenen Datensatzordner hielt, indem das Dateisystemmodell beim Schließen des Ordners neu aufgebaut wird; außerdem wurde die Wiederherstellung des Fensterzustands verzögert, damit der Dateisystem-Watcher korrekt initialisiert wird (af9fb441b).

  • Das Menü zum Exportieren von Datensätzen wurde behoben, sodass die einzelne Aktion Export Dataset to Zip File korrekt funktioniert, indem der überflüssige doppelte Export-Eintrag entfernt wurde; außerdem wurde die Reihenfolge von Fehlerdialog/Fortschrittsanzeige bei einem Exportfehler korrigiert (ca9183864).

  • Behoben, dass das .png-Anwendungssymbol unter Linux im Release-Build nicht erzeugt wurde (a55dd4c1b).

Plattform- und Werkzeugunterstützung

  • Qt-Creator-Basis: 4.0.2.

  • Neues Board: Arduino Portenta H7 (STM32H747), mit mitgelieferter Firmware/Bootloader/UVC-Images (54f4d565b).

  • Mitgelieferte OpenMV-Firmware: für OPENMV2/M4, OPENMV3/M7, OPENMV4/H7, OPENMV4P/H7 Plus und PORTENTA von 3.6.4 auf 3.6.7 aktualisiert (54f4d565b, fb2d2cbb9, 4bb1cf8d5).

Breaking Changes

Die mitgelieferten CMSIS-NN-/veralteten Modelle für neuronale Netze (cifar10, cifar10_fast, lenet, smile, chars74k .network-Dateien) und ihre nn_*-Beispielskripte wurden zugunsten des TensorFlow-Lite-Workflows entfernt. Die MobileNet-Modelle wurden von share/qtcreator/models/tensorflow/mobilenet nach share/qtcreator/models/mobilenet verschoben. Skripte oder Projekte, die auf die alten CMSIS-NN-Modelle oder den alten MobileNet-Pfad verweisen, finden diese nicht mehr; wechsle zum TensorFlow-Lite-Workflow oder aktualisiere den Modellpfad entsprechend.