7. Pembelajaran Mesin

Sebagian besar detektor dalam bab citra dikodekan secara manual untuk target tertentu: rentang warna yang disetel tangan untuk pelacakan blob, pola bobot yang diturunkan tangan untuk filter tepi, asumsi geometris tetap untuk pencari garis dan lingkaran. Setiap algoritma mencakup satu jenis tugas, dan menambahkan target baru berarti menulis algoritma baru. Pembelajaran mesin mengubah alur kerja. Alih-alih satu algoritma per target, aplikasi memuat model terlatih -- tumpukan bobot yang dihasilkan di luar perangkat pada desktop dengan banyak contoh citra -- dan menjalankannya pada kamera. Mesin yang sama yang menjalankan detektor wajah menjalankan estimator pose tangan, pelacak pose tubuh, pengklasifikasi objek, atau apa pun yang dilatih oleh model.

Modul ml adalah toolkit. Setiap operasi dibangun di atas satu objek Model yang memuat file model dari flash, mengelola tensor masukan dan keluaran yang telah dikuantisasi, mengirimkan setiap inferensi ke mesin yang tepat pada kamera, dan merutekan tensor yang dihasilkan melalui post-processor opsional yang mengubahnya kembali ke bentuk hasil yang dapat ditindaklanjuti oleh aplikasi -- kotak, titik kunci, kelas, atau apa pun yang menjadi fungsi model.

Konsep

• 7.1. Apa itu jaringan saraf
• 7.2. Apa yang diubah oleh ML
• 7.3. Halo BlazeFace

Modul ml

• 7.4. Memuat Model
• 7.5. ROMFS

Pipeline inferensi

• 7.6. Anatomi predict
• 7.7. Normalization
• 7.8. Tensor I/O

Mesin inferensi

• 7.9. TensorFlow Lite untuk Mikrokontroler
• 7.10. CMSIS-NN
• 7.11. NPU

Mendekode keluaran

• 7.12. Post-processor
• 7.13. Non-max suppression
• 7.14. Panduan YOLOv8
• 7.15. Menulis sendiri

Penutup

• 7.16. Kesimpulan