13.6. Edge Impulse

Edge Impulse adalah platform end-to-end untuk membangun model machine learning yang berjalan pada mikrokontroler: kumpulkan dan beri label data, rancang dan latih model di browser, dan optimalkan agar sesuai dengan perangkat yang diukur dalam kilobyte. Platform ini dapat langsung di-deploy ke OpenMV -- beberapa klik mengubah model yang telah dilatih menjadi file yang siap dijalankan di kamera. Dokumentasi Edge Impulse sendiri documentation menjelaskan setiap langkah lebih mendalam.

13.6.1. Mengambil data

Model berkinerja terbaik pada jenis citra yang digunakan saat pelatihan, jadi ambil dataset dengan kamera yang akan menjalankannya. Editor dataset IDE dirancang tepat untuk ini -- buat folder kelas, ambil citra berlabel dari buffer bingkai langsung, lalu unggah dataset langsung ke proyek Edge Impulse dari submenu Export (masuk ke akun Anda terlebih dahulu). Dari titik itu Anda bekerja di Edge Impulse Studio.

Lihat juga

Panduan pengaturan OpenMV Cam Edge Impulse sendiri OpenMV Cam setup guide untuk menginstal alat dan menghubungkan kamera.

13.6.2. Pelatihan

Pelatihan berlangsung sepenuhnya di browser: rancang sebuah impulse (blok input, pemrosesan, dan pembelajaran), latih, dan periksa akurasi pada data uji yang ditahan.

Dua tipe model cocok untuk kamera. Classifier citra menghasilkan daftar skor kelas, yang dapat Anda baca langsung dari output model -- tidak perlu post-processor. FOMO, detektor objek cepat yang dirancang untuk mikrokontroler, membutuhkan satu langkah dekoding, dan kamera dilengkapi post-processor untuknya (ml.postprocessing.edgeimpulse), sehingga model tersebut juga berjalan tanpa kode tambahan.

13.6.3. Mendeploy ke kamera

Setelah pelatihan selesai, buka halaman Deployment proyek, pilih target OpenMV Library, dan klik Build. Unduhan berupa zip yang berisi model terlatih (trained.tflite), labelnya (labels.txt), dan contoh skrip. Model dikuantisasi ke bilangan bulat. Edge Impulse membahas ini dan alternatif firmware khusus dalam panduan run on OpenMV guide.

Tambahkan file .tflite ke kamera dengan editor ROMFS IDE, yang mengonversinya untuk NPU board jika ada, dan muat dalam skrip dengan ml.Model. Model juga dapat berjalan dari flash drive kamera -- salin file dan arahkan ml.Model ke jalurnya -- tetapi ROMFS adalah tempat yang lebih baik: model di sana dieksekusi langsung dari flash tanpa salinan RAM.

Lihat juga

Bab machine learning untuk menjalankan model dengan modul ml -- pemuatan, pipeline inferensi, dan dekoding output.