v2.6.0

v2.6.0 dodaje narzędzie do przesyłania do Edge Impulse, które wysyła oznaczone etykietami zbiory danych bezpośrednio z edytora zbiorów danych (Dataset Editor), wprowadza obsługę płytki Arduino Portenta H7 oraz migruje dołączony przepływ pracy uczenia maszynowego z przestarzałych modeli CMSIS-NN na TensorFlow Lite. To wydanie pozostaje oparte na Qt Creator 4.0.2, używanym w poprzednich wydaniach z serii 2.x. Zawiera jedną widoczną dla użytkownika zmianę przepływu pracy: stare modele CMSIS-NN .network oraz ich przykłady nn_* zostały usunięte, a modele MobileNet zostały przeniesione.

Najważniejsze zmiany

  • Narzędzie do przesyłania do Edge Impulse pozwala zalogować się na konto Edge Impulse, wybrać projekt, wybrać podział na zbiór treningowy/testowy i przesłać otwarty zbiór danych bezpośrednio z Dataset Editor.

  • Arduino Portenta H7 (STM32H747) jest teraz obsługiwaną płytką z dołączonym oprogramowaniem układowym, bootloaderem oraz obrazami UVC.

  • Migracja na TensorFlow Lite zastępuje przestarzałe modele sieci neuronowych CMSIS-NN oraz przykłady nn_* przepływem pracy TensorFlow Lite.

  • Nowe przykłady ML dodają zbieranie danych twarzy z TensorFlow Lite oraz rozpoznawanie twarzy bezpośrednio na urządzeniu.

  • Dołączone oprogramowanie układowe zaktualizowane z 3.6.4 do 3.6.7 dla wszystkich płytek.

Nowe funkcje

  • Narzędzie do przesyłania do Edge Impulse. Dodano narzędzie, które loguje się na konto Edge Impulse, pozwala wybrać projekt oraz podział na zbiór treningowy/testowy i przesyła otwarty zbiór danych bezpośrednio z Dataset Editor (lub za pomocą klucza API) jako podpisane próbki JPEG do importu. Token JWT/klucz API jest przechowywany w QSettings (8a828b45b, fa86179a7, ca9183864, a267de659).

  • Przykłady twarzy z TensorFlow Lite. Dodano pliki tf_face_collection.py oraz tf_face_recognition.py w katalogu 25-Machine-Learning do zbierania danych twarzy oraz rozpoznawania/klasyfikacji twarzy bezpośrednio na urządzeniu (fb2d2cbb9).

  • Przykład Readout-Control. Dodano przykład apriltag_tracking.py w katalogu 35-Readout-Control, demonstrujący szybkie śledzenie znaczników AprilTag poprzez przesuwanie małego okna odczytu sensora na OpenMV Cam H7 Plus (OV5640) (0c6ce1a82).

Pozostałe zmiany i ulepszenia

  • Zastąpiono przestarzałe modele sieci neuronowych CMSIS-NN oraz przykłady nn_* przepływem pracy TensorFlow Lite, a dołączone modele MobileNet przeniesiono z share/qtcreator/models/tensorflow/mobilenet do share/qtcreator/models/mobilenet (0c6ce1a82).

Poprawki błędów

  • Naprawiono problem, w którym Dataset Editor utrzymywał blokadę na zamkniętym folderze zbioru danych, poprzez odbudowanie modelu systemu plików przy zamknięciu folderu, oraz opóźniono przywracanie stanu okna, aby obserwator systemu plików inicjalizował się poprawnie (af9fb441b).

  • Naprawiono menu eksportu zbioru danych, tak aby pojedyncza akcja Export Dataset to Zip File działała poprawnie, poprzez usunięcie martwego, zduplikowanego wpisu eksportu, oraz poprawiono kolejność okna dialogowego błędu/postępu przy niepowodzeniu eksportu (ca9183864).

  • Naprawiono problem polegający na tym, że ikona aplikacji .png dla systemu Linux nie była tworzona w kompilacji wydania (a55dd4c1b).

Obsługa platform i narzędzi

  • Baza Qt Creator: 4.0.2.

  • Nowa płytka: Arduino Portenta H7 (STM32H747), z dołączonymi obrazami oprogramowania układowego/bootloadera/UVC (54f4d565b).

  • Dołączone oprogramowanie układowe OpenMV: zaktualizowane z 3.6.4 do 3.6.7 dla OPENMV2/M4, OPENMV3/M7, OPENMV4/H7, OPENMV4P/H7 Plus oraz PORTENTA (54f4d565b, fb2d2cbb9, 4bb1cf8d5).

Zmiany powodujące niezgodność

Dołączone modele sieci neuronowych CMSIS-NN/starszego typu (pliki cifar10, cifar10_fast, lenet, smile, chars74k .network) oraz ich przykładowe skrypty nn_* zostały usunięte na rzecz przepływu pracy TensorFlow Lite. Modele MobileNet zostały przeniesione z share/qtcreator/models/tensorflow/mobilenet do share/qtcreator/models/mobilenet. Skrypty lub projekty odwołujące się do starych modeli CMSIS-NN lub do starej ścieżki MobileNet nie znajdą ich już; należy przejść na przepływ pracy TensorFlow Lite lub odpowiednio zaktualizować ścieżkę modelu.