7. Gépi tanulás

A kép fejezetben szereplő legtöbb észlelőt egy adott célra kézzel programozták: kézzel hangolt színtartományok a foltkövetéshez, kézzel levezetett súlyminták az élszűrőkhöz, rögzített geometriai feltételezések a vonal- és körkeresőkhöz. Minden algoritmus egyféle feladatot fedett le, és egy új cél hozzáadása egy új algoritmus megírását jelentette. A gépi tanulás megváltoztatja a munkafolyamatot. Célonként egy algoritmus helyett az alkalmazás betölt egy betanított modellt – súlyok halmazát, amelyet eszközön kívül, egy asztali gépen, sok példaképpel állítottak elő – és futtatja a kamerán. Ugyanaz a motor, amely egy arcészlelőt futtat, futtat egy kéztartás-becslőt, egy testtartás-követőt, egy objektumosztályozót vagy bármi mást, amire egy modellt betanítottak.

Az ml modul az eszközkészlet. Minden művelet egyetlen Model objektumra épül, amely betölt egy modellfájlt a flash memóriából, kezeli annak kvantált bemeneti és kimeneti tenzorait, minden következtetést a kamera megfelelő motorjához irányít, és a kapott tenzorokat egy opcionális utófeldolgozón keresztül továbbítja, amely azokat visszaalakítja azzá az eredményformává, amelyre az alkalmazás reagálhat – dobozokká, kulcspontokká, osztályokká, vagy bármivé, amire a modell való.

Fogalmak

• 7.1. Mi az a neurális hálózat
• 7.2. Mit változtatott meg a gépi tanulás
• 7.3. Hello BlazeFace

Az ml modul

• 7.4. Modell betöltése
• 7.5. ROMFS

A következtetési folyamat

• 7.6. A predict felépítése
• 7.7. Normalizálás
• 7.8. Tenzor I/O

Következtetési motorok

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

A kimenet dekódolása

• 7.12. Utófeldolgozók
• 7.13. Non-max suppression
• 7.14. YOLOv8 áttekintés
• 7.15. Saját megírása

Összefoglalás

• 7.16. Összegzés