تقدير المشروع
← كل المقالات

الدخول إلى عالم تعلّم الآلة على الأجهزة الطرفية

كيف بنيتُ مشروعًا منزليًا يجلب التعلّم العميق إلى لوحة Arduino Pro.

8 دقائق قراءة
تعلّم الآلةالأجهزة الطرفيةjetsonarduino

كيف بنيتُ مشروعًا منزليًا يجلب التعلّم العميق إلى لوحة Arduino Pro.

لقد حدث الأمر أخيرًا: وقعتُ في حب تعلّم الآلة على الأنظمة المدمجة بلا رجعة. ظهرت أعراض هذا الهيام الجديد تدريجيًا وبخجل في البداية. فقد أسرني أولًا ما يمكن إنجازه باستخدام Raspberry Pi. إن الجمع بين Linux وPython يعني أن بإمكاني الحصول على النتائج بسرعة، وبالنسبة إلى مهندس تعلّم الآلة بدا الأمر كنقل العمل نفسه من جهاز أكبر مع تعديلات تكاد لا تُذكر. وفوق ذلك، كان بناء شيء مادي وبثّ الحياة فيه بشيفرتي الخاصة استراحة منعشة من كتابة برمجيات مخصصة للواجهة الخلفية فقط.

بعد ذلك جاء Nvidia Jetson. إنه عتاد قوي، صُمّم مع وضع التعلّم العميق ورؤية الحاسوب في الحسبان منذ أول تشغيل. كان إعداده والعمل مع الغطاء البيئي متعة حقيقية. ومع ذلك، ورغم صغر حجمه، ظللتُ أشعر بأنه كبير الحجم بحيث لا يناسب كل السيناريوهات التي كانت في ذهني. وبتعبير أدق، لم تكن طائرتي Mavic قادرة على حمله.

وهكذا انتهى بي المطاف مع Arduino Nano. يجب أن أقول إنه أبهرني وخيّب أملي في آن واحد. فالمنصة تقدّم الكثير: مساحة واسعة للتوسعة، ومكونات يسهل الحصول عليها، وإمكانية تشغيل نماذج تعلّم آلة مدمجة. وأي ملحق يعمل مع Arduino Uno الشائع يمكن استخدامه مع Nano أيضًا. غير أن العمل على نماذج تعلّم الآلة ليس ممتعًا كثيرًا، لأن حدود الذاكرة ضيقة جدًا.

ومع ذلك لم أستسلم، فإيماني بـ Arduino لا حدود له. وفي الأثناء، ظل تعلّم الآلة على الأجهزة الطرفية يزداد إثارة، وظللتُ أبتكر أفكارًا جديدة للتطبيقات. كنتُ بحاجة إلى جهاز أقوى بحجم مماثل. وهكذا عثرتُ على Arduino Portenta.

في هذه المقالة أستعرض مشروعي المنزلي الأول الذي يشغّل التعلّم العميق على لوحة Arduino Pro. أعدّ لنفسك فنجان قهوة – فالقراءة ستطول 🙂

المشكلة

نحتاج أولًا إلى مشكلة معقولة نعالجها. العلوم البيئية شغفي، لذلك كلما بحثتُ عن مشاريع جانبية مِلتُ إلى علوم الأرض والاستشعار عن بُعد وحماية البيئة. الشتاء هنا ليس قاسيًا بشكل خاص، ومع ذلك لا أحب حتى أنا مغادرة شقتي الدافئة، فلم يكن من السهل ابتكار شيء ممتع.

لحسن الحظ، كان الجواب قريبًا. جاء من أطفالي الصغار جدًا على أن يفهموا لماذا يجب فرز النفايات وإعادة تدويرها. والنتيجة أن القمامة تنتهي في أقرب سلة، ولا بد من وسيلة لمنع ذلك.

الخطة بسيطة. بناء وبرمجة سلال نفايات تساعد الأطفال على تعلّم عادات إعادة التدوير الصحيحة.

وفوق ذلك، يجب أن يكون البناء ممتعًا. وفي حالتي هذا يعني المبالغة الكاملة في استخدام التقنية 😅. فلنستخدم إذن رؤية الحاسوب والتعلّم العميق وتعلّم الآلة المدمج وقليلًا من إنترنت الأشياء.

دفعني البحث عن مشروع مثير للاهتمام إلى التفكير أكثر في تعلّم الآلة المدمج في الصناعة والزراعة وإدارة المدن ومراقبة البيئة ومجالات أخرى. الإمكانات هائلة، لكن العيوب والقيود كذلك. الموضوع يستحق نقاشًا معمقًا، وأشعر أن عليّ التعلّم من مصادر خارجية. وإن كان بوسعك أن توصي بمؤتمر جيد عن إنترنت الأشياء وتعلّم الآلة، فسأكون ممتنًا جدًا لسماع ذلك.

فتح العلبة

وصلت المكونات الأساسية، ولدهشتي السارة، بعد يوم واحد فقط من طلبها. اخترتُ لهذا المشروع Arduino Portenta H7 ووسّعته بـ vision shield. مستشعر الكاميرا فيه بدقة 320x320 بكسل، وهو كافٍ لتصنيف الأنواع الأساسية من النفايات. كما يدعم الغطاء LoRa، وهو ما سيفيد في مشاريع لاحقة. وتتوفر كذلك نسخة بمنفذ Ethernet.

Arduino Portenta H7 + Vision Shield

تجهيز اللوحة

تركيب الغطاء على اللوحة سهل. يبدو التجميع متينًا بما يكفي لاستخدامه مع حماية إضافية، لكنني لم أرد إتلافه أثناء بناء النماذج الأولية. لم يعتمد الهواة هذه اللوحة على نطاق واسع بعد، فلا توجد علب جاهزة لها. لحسن الحظ، الوحدة صغيرة، وطباعة علبة لها بالطباعة ثلاثية الأبعاد لا تمثل مشكلة. كثيرًا ما أعتمد على مشروع ممتاز يُسمى «customizable everything box». وله عدد ضخم من النسخ المعدّلة، فيسهل العثور على نسخة تناسب مشروعًا منزليًا.

Arduino Portenta H7 + Vision Shield

وهنا يأتي الجزء الصعب. قبل أن نتمكن من استخدام اللوحة كان لا بد من تحميل البرنامج الثابت عليها. أنوي استخدام Portenta في سيناريوهين.

يشمل السيناريو الأول جمع البيانات وإعداد النموذج، وأخطط لاستخدام Edge Impulse لذلك. ومن حسن الحظ أنهم يوفرون دليلًا تعليميًا ممتازًا لربط اللوحة بمنصتهم. احرص على الاتصال بالجهاز عبر المتصفح – فهذا يجعل كل شيء يسير بسلاسة.

أما السيناريو الثاني فيجمع بين تشغيل الاستدلال بنموذج تعلّم آلة والتحكم في بعض العتاد الإضافي. ولأنني أحب MicroPython وCircuitPython، اخترتُ OpenMV الذي يُثبَّت بطريقة مختلفة. بعد أن تنزّل بيئة التطوير وتوصّل اللوحة، ستظهر لك رسالة بأن الجهاز يمكن تحميل البرنامج الثابت عليه.

تذكّر أن السيناريوهين لا يمكن استخدامهما بالتبادل.

وإذا تعذّر على جهاز التطوير لديك الاتصال بالجهاز، فهناك عقبة أخرى يجب تجاوزها. إزالة modemmanager وإضافة بعض قواعد udev ينبغي أن تحل المشكلة. تجد تفاصيل أكثر في دليل استكشاف الأخطاء الخاص بإعداد Porenta.

التجميع

كان أول بند في قائمة مهامي تجهيز سلال المهملات الملونة. يضم الإعداد ثلاث سلال، يمثل كل لون نوعًا مختلفًا من النفايات: الأزرق (الورق)، والأصفر (البلاستيك والمعادن)، والأخضر (الزجاج). وتوجد السلة التي تحتوي على المتحكم في الوسط. قطعتُ فتحة مستطيلة في أعلاها وركّبتُ فيها لوحة Arduino مع الكاميرا. وثُبّت شريطا LED على الجدران الداخلية لكل سلة. ويعمل كل شيء بواسطة بطارية محمولة صغيرة. وطبعًا تشبه الأسلاك في الداخل طبق السباغيتي 😅.

تجهيزات سلة النفايات الذكية

تجهيز البيانات

يمكن تجهيز البيانات بعدة طرق: إما أن أستخدم مجموعة بيانات موجودة أو أبني واحدة بنفسي. ورغم وجود مجموعات بيانات عامة مصنّفة كان بإمكاني تكييفها مع هذه المشكلة، فقد فضّلتُ جمع عينات صغيرة خاصة بي. والسبب خصائص مستشعر كاميرا Arduino ورغبتي في اختبار ما تستطيع منصة Edge Impulse فعله. وتبيّن أنه كان القرار الصائب. فميزة جمع البيانات في Edge Impulse سهلة الاستخدام، وأتاحت لي إنهاء هذه الخطوة بسرعة. وكانت فكرة ربط المنصة بالجهاز مباشرة ممتازة.

عينات البيانات. بعيدة كل البعد عمّا تسميه قمامة – هذا هو الإنترنت، وأردتُ أن تبدو المقالة جميلة.

إعداد النموذج

التزمتُ بسير عمل Edge Impulse ودرّبتُ نموذج تعلّم الآلة باستخدام إطار TensorflowLite. بدأتُ بإعداد Impulse، وهو بمثابة مخطط لمسار التدريب. بعد ذلك تناولتُ المعالجة المسبقة للبيانات. وأخيرًا اخترتُ بنية نموذج جاهزة وبدأتُ التدريب. وبفضل خيار التعلّم بالنقل المتاح، تقارب النموذج بسرعة وأعطى نتائج جيدة. ما زلتُ أتساءل إلى أي مدى يمكن تخصيص Edge Impulse، لكنني سأكتشف ذلك قريبًا في حالة استخدام أكثر تطلبًا.

النشر

عندما يتعلق الأمر بالنشر، هناك العديد من الخيارات للاختيار من بينها. والخيار الموصى به هو تثبيت النموذج كبرنامج ثابت للجهاز. ولأنني أردتُ إضافة سلوك مخصص، انتهى بي الأمر إلى نشر النموذج كحزمة OpenMV. وينتج عن ذلك حزمة تحتوي على النموذج، وملف نصي بالتسميات، ونص MicroPython نموذجي للاستدلال. وكل ما بقي هو تعديل ذلك النص وإضافة الأسطر التي تتحكم في مصابيح LED.

النتائج

بعد اكتمال التجميع، حان وقت اختبار قبول المستخدم. استمتع الأطفال في أول 15 دقيقة، لكن الأمر كان يستحق العناء.

نتائج أولية للاستدلال مع منطق مخصص.

بطبيعة الحال، لم أحصل على النتيجة المرغوبة من المرة الأولى. فالتكرار على نماذج تعلّم الآلة أمر معتاد. كررتُ الدورة كاملة – من جمع البيانات مرورًا بالتدريب وصولًا إلى تخصيص النموذج – عدة مرات قبل أن يصبح الحل قابلًا للاستخدام.

الخلاصة

في المجمل، كان الوقت مستثمرًا جيدًا. تعلمتُ الكثير واستمتعتُ حقًا ببناء الحل وبرمجته. وأعتقد جازمًا أن تعلّم الآلة على الأجهزة الطرفية سيكون مهمًا جدًا في المستقبل، فهناك مجالات كثيرة يناسبها هذا النهج. وفي الوقت نفسه أشعر أن هناك عملًا كثيرًا ما زال ينتظرنا. ولحسن الحظ، يجعل Edge Impulse وOpenMV الحياة أسهل بكثير.

إذا أردتَ التعمق أكثر في التصنيف الآلي للنفايات، فاطّلع على مقالة كتبها مهندس تعلّم الآلة الأول لدينا.

ويضيف مهندس تعلّم آلة أول من فريق تعلّم الآلة لدينا:

لطالما أثار فضولي أي المجالات ستستفيد من معالجة البيانات على الطرف بدلًا من الإعداد التقليدي، حيث ترسل عقد خفيفة البيانات إلى خادم مركزي ذي قدرة حوسبة أكبر. عندما يتعين عليك صيانة شبكة من الأجهزة، يكون من الأبسط بناء أجهزة بسيطة جدًا يمكنها العمل على البطاريات لسنوات عدة، بدلًا من بناء أجهزة أكثر تعقيدًا وشرهة للطاقة بمعالجة متقدمة (هنا، نموذج تعلّم آلة) تستنزف بطارياتها بسرعة أو تحتاج حتى إلى التوصيل بالشبكة الكهربائية. وفي تجربتي مع أنظمة إنترنت الأشياء، فإن حالة الاستخدام الأكثر شيوعًا هي جمع البيانات مع إجراء المعالجة مركزيًا. وأتساءل ما إذا كان تعلّم الآلة المدمج سيتفوق على ذلك النهج.