7. Koneoppiminen

Useimmat image-luvun tunnistimet oli koodattu käsin tiettyä kohdetta varten: käsin viritetyt värialueet blobin seurantaan, käsin johdetut painokuviot reunasuodattimiin, kiinteät geometriset oletukset viiva- ja ympyränetsijöihin. Jokainen algoritmi kattoi yhdenlaisen tehtävän, ja uuden kohteen lisääminen merkitsi uuden algoritmin kirjoittamista. Koneoppiminen muuttaa työnkulun. Yhden algoritmin per kohde sijaan sovellus lataa koulutetun mallin – painojen pinon, joka on tuotettu erillisesti pöytäkoneella monilla esimerkkikuvilla – ja ajaa sitä kameralla. Sama moottori, joka ajaa kasvojentunnistinta, ajaa käden asennon estimaattoria, kehon asennon seurantaa, objektiluokittelijaa tai mitä tahansa muuta, mihin malli on koulutettu.

ml -moduuli on työkalupakki. Jokainen operaatio rakentuu yhden Model -objektin varaan, joka lataa mallitiedoston flash-muistista, hallitsee sen kvantisoituja syöte- ja tulostensoreita, lähettää jokaisen päättelyn oikealle moottorille kameralla ja reitittää tuloksena syntyvät tensorit valinnaisen jälkikäsittelijän läpi, joka muuntaa ne takaisin siihen tulosmuotoon, jonka mukaan sovellus voi toimia – laatikoiksi, avainpisteiksi, luokiksi tai mihin tahansa, mihin malli on tarkoitettu.

Käsitteet

• 7.1. Mikä on neuroverkko
• 7.2. Mitä ML muutti
• 7.3. Hello BlazeFace

ml-moduuli

• 7.4. Mallin lataaminen
• 7.5. ROMFS

Päättelyputki

• 7.6. predict-metodin anatomia
• 7.7. Normalisointi
• 7.8. Tensorin I/O

Päättelymoottorit

• 7.9. TensorFlow Lite for Microcontrollers
• 7.10. CMSIS-NN
• 7.11. NPU:t

Tulosteen dekoodaus

• 7.12. Jälkikäsittelijät
• 7.13. Non-max suppression
• 7.14. YOLOv8:n läpikäynti
• 7.15. Oman kirjoittaminen

Yhteenveto

• 7.16. Yhteenveto