7. Strojno učenje

Većina detektora u poglavlju o slici bila je ručno kodirana za određeni cilj: ručno ugođeni rasponi boja za praćenje mrlja, ručno izvedeni uzorci težina za filtre rubova, fiksne geometrijske pretpostavke za pronalazače linija i kružnica. Svaki algoritam pokrivao je jednu vrstu zadatka, a dodavanje novog cilja značilo je pisanje novog algoritma. Strojno učenje mijenja radni tijek. Umjesto jednog algoritma po cilju, aplikacija učitava trenirani model – stog težina proizveden izvan ploče na stolnom računalu s mnogo primjera slika – i izvodi ga na kameri. Isti mehanizam koji izvodi detektor lica izvodi i procjenitelj poze ruke, alat za praćenje poze tijela, klasifikator objekata ili bilo što drugo za što je model treniran.

Modul ml je skup alata. Svaka operacija gradi na jednom Model objektu koji učitava datoteku modela iz flash memorije, upravlja svojim kvantiziranim ulaznim i izlaznim tenzorima, otprema svako zaključivanje pravom mehanizmu na kameri i usmjerava rezultirajuće tenzore kroz neobavezni post-procesor koji ih pretvara natrag u oblik rezultata na koji aplikacija može reagirati – okvire, ključne točke, razrede ili za što god model služi.

Koncepti

• 7.1. Što je neuronska mreža
• 7.2. Što je strojno učenje promijenilo
• 7.3. Hello BlazeFace

Modul ml

• 7.4. Učitavanje modela
• 7.5. ROMFS

Cjevovod zaključivanja

• 7.6. Anatomija predict
• 7.7. Normalizacija
• 7.8. Tenzorski U/I

Mehanizmi zaključivanja

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

Dekodiranje izlaza

• 7.12. Naknadni procesori
• 7.13. Potiskivanje koje nije najveće (non-max suppression)
• 7.14. Detaljni vodič kroz YOLOv8
• 7.15. Pisanje vlastitog

Zaključak

• 7.16. Sažetak