7. Aprendizagem Automática

A maioria dos detetores no capítulo da imagem foram programados manualmente para um alvo específico: intervalos de cor ajustados manualmente para rastreamento de manchas, padrões de peso derivados manualmente para filtros de aresta, suposições geométricas fixas para os localizadores de linhas e círculos. Cada algoritmo cobria um tipo de tarefa e adicionar um novo alvo significava escrever um novo algoritmo. A aprendizagem automática muda o fluxo de trabalho. Em vez de um algoritmo por alvo, a aplicação carrega um modelo treinado – uma pilha de pesos produzida externamente num computador com muitas imagens de exemplo – e executa-o na câmara. O mesmo motor que executa um detetor de rostos executa um estimador de postura de mão, um rastreador de postura corporal, um classificador de objetos, ou qualquer outra coisa para que um modelo tenha sido treinado.

O módulo ml é o kit de ferramentas. Cada operação assenta num único objeto Model que carrega um ficheiro de modelo a partir da flash, gere os seus tensores de entrada e saída quantizados, despacha cada inferência para o motor correto na câmara e encaminha os tensores resultantes através de um pós-processador opcional que os converte de volta para a forma de resultado com que a aplicação pode trabalhar – caixas, pontos-chave, classes, ou o que quer que o modelo produza.

Conceitos

• 7.1. O que é uma rede neuronal
• 7.2. O que o ML mudou
• 7.3. Olá BlazeFace

O módulo ml

• 7.4. Carregar um modelo
• 7.5. ROMFS

O pipeline de inferência

• 7.6. Anatomia do predict
• 7.7. Normalização
• 7.8. E/S de Tensores

Motores de inferência

• 7.9. TensorFlow Lite para Microcontroladores
• 7.10. CMSIS-NN
• 7.11. NPUs

Descodificar a saída

• 7.12. Pós-processadores
• 7.13. Supressão de não-máximos
• 7.14. Tutorial YOLOv8
• 7.15. Escrever o seu próprio

Conclusão

• 7.16. Conclusão