使用 Edge Impulse 和 reTerminal 进行目标检测
介绍
在当今的数字化环境中，边缘 AI 和物联网 (IoT) 技术的结合为开发者和爱好者带来了令人兴奋的可能性。其中一个强大的平台是 Edge Impulse，它简化了为边缘设备创建机器学习模型的过程。在本逐步指南中，我们将带您完成在 reTerminal 设备上安装 Edge Impulse 并创建本地目标检测解决方案的过程。
您将学习以下内容：
- 为您的 reTerminal 安装必要的依赖项。
- 为项目设置 Node.js 和 npm。
- 部署 Edge Impulse Linux CLI 工具。
- 在 Edge Impulse 中创建和训练目标检测模型。
- 在 reTerminal 设备上本地部署和测试您的模型。
通过本指南，您将深入了解如何利用 Edge Impulse 的强大功能在像 reTerminal 这样的边缘设备上进行目标检测。让我们一起探索本地 AI 驱动的目标检测的精彩世界吧！
硬件准备
Edge Impulse
Edge Impulse 是一个多功能平台，专注于简化为边缘设备（如微控制器和嵌入式系统）定制机器学习模型的开发。该综合解决方案简化了整个机器学习工作流程，包括数据收集、预处理、模型训练、部署和监控，所有这些都在一个统一的环境中完成。其突出特点之一是用户友好的界面，用户可以轻松收集和标注数据，同时提供预构建的信号处理模块和机器学习算法库，以实现高效的模型开发。Edge Impulse 专为资源受限的边缘设备优化推理性能，确保实时处理而无需依赖持续的互联网连接。此外，它与众多流行硬件平台无缝集成，使开发者能够轻松部署模型。
软件准备
我们建议从官方网站安装最新版本的 Raspberry Pi 64 位操作系统。如果您希望安装新的 Raspbian 操作系统，请按照此 指南 中的步骤操作。
之后，我们需要配置 Raspberry Pi 摄像头，请按照此 指南 中的步骤操作。
您需要一个 Edge Impulse 账户才能开始，请通过此 链接 创建账户。默认情况下，初始项目将被创建。
在 reTerminal 设备上安装依赖项
要在 Edge Impulse 中设置此设备，请依次运行以下命令
sudo apt update
curl -sL https://deb.nodesource.com/setup_12.x | sudo bash -
sudo apt install -y gcc g++ make build-essential nodejs sox gstreamer1.0-tools gstreamer1.0-plugins-good gstreamer1.0-plugins-base gstreamer1.0-plugins-base-apps
npm config set user root && sudo npm install edge-impulse-linux -g --unsafe-perm
连接到 Edge Impulse
在完成所有软件设置后，将摄像头或麦克风连接到 reTerminal。您需要提供与 Edge Impulse 账户关联的电子邮件地址、密码以及设备名称。
edge-impulse-linux
验证设备是否已连接
完成了！您的设备现在已连接到 Edge Impulse。要验证这一点，请转到您的 Edge Impulse 项目，然后点击“Devices”。设备会显示在这里。
检测对象
构建数据集
您可以选择直接通过 reTerminal 从连接的 Raspberry Pi 摄像头收集数据，或者从本地存储上传预先收集的数据。
通过选择“Camera”作为传感器并提供标签名称，您可以启动数据采样过程。
标注数据
所有收集的图像将被放置在“标注队列”中进行注释。标注对象非常简单，只需在对象周围拖动一个框，然后输入标签。接着点击“保存标签”。
重新平衡数据集
为了验证模型的有效性，通常需要保留大约 20% 的数据作为“测试集”。这些数据不应在模型训练期间使用，而是专门用于验证。您可以通过“Data collected”小部件上方的两个按钮轻松切换训练集和测试集。如果您在开发板上收集了数据，但测试集中当前没有数据，可以通过导航到 Dashboard > Perform train/test split 来解决。
创建 Impulse
在本教程中，我们使用的是 96x96 的图像，但需要注意的是，Edge Impulse 也可以处理其他分辨率的图像，只要图像是正方形的。配置步骤如下：首先，转到 Create Impulse，然后将 image width 和 image height 设置为所需的尺寸（例如 96）。接着，选择 Fit shortest axis 作为 resize mode，并添加 Images 和 Object Detection (Images) 模块。最后，点击 Save Impulse 以应用这些设置。
特征生成
在此步骤中，您将执行以下任务：
- 调整所有数据的大小。
- 将处理模块应用于整个数据集。
- 生成完整数据集的 3D 可视化。
- 点击“Generate features”以启动该过程。
随后，“Feature explorer”将加载。此特征浏览器表示数据集中所有数据的图表。由于图像具有多个维度，我们在可视化之前对数据集应用了一种称为“降维”的技术。
训练
在 Object Detection 选项卡中，您可以选择训练数据集。为此，您需要配置特定参数并选择要使用的模型。在本教程中，我们选择了 FOMO 模型。根据其官网介绍，FOMO 引入了一种革命性的方法，可在资源受限的设备上运行目标检测模型。FOMO 是一种创新算法，为微控制器带来了实时目标检测、跟踪和计数功能，标志着一个重要的里程碑。值得注意的是，FOMO 的速度优势显著，比 MobileNet SSD 快 30 倍，并且可以在不到 200K 的 RAM 上运行。
完成训练过程后，您将获得一个类似以下的混淆矩阵。
验证模型
现在模型已经训练完成，让我们使用一些测试数据进行测试。在数据收集期间，我们将数据集分为训练集和测试集。模型仅在训练数据上进行了训练。因此，我们可以使用测试数据集来评估模型在实际场景中的表现。这一步验证非常重要，以确保模型没有过拟合训练数据，这是一个常见问题。要验证模型，请导航到 Model Testing 并选择 Classify all。
在 reTerminal 设备上运行模型
在新的空白终端中运行以下命令行。
edge-impulse-linux-runner
此操作将触发模型的构建和下载。然后，它将在您的 reTerminal 上运行。如果您在同一网络中，可以通过浏览器访问摄像头的实时视图，并直接从 reTerminal 查看分类结果。转到设备提示的 URL。
Want to see a feed of the camera and live classification in your browser? Go to http://192.168.8.117:4912
结论
总而言之，reTerminal 与 Edge Impulse 的无缝集成使开发者能够充分释放边缘 AI 的潜力。reTerminal 凭借其强大的硬件和多功能能力，成为运行实时目标检测解决方案的绝佳平台。而 Edge Impulse 简化了在资源受限设备上创建和部署机器学习模型的过程，两者结合后，可能性变得无限。无论您从事的是物联网应用、机器人技术，还是任何需要高效设备端 AI 的项目，这种 reTerminal 和 Edge Impulse 之间的强大协同作用都为技术边缘的创新打开了新的世界。
技术支持
感谢您选择我们的产品！我们致力于为您提供多种支持，以确保您使用我们的产品时体验顺畅。我们提供多种沟通渠道，以满足不同的偏好和需求。