Գնահատել նախագիծը
← Բոլոր հրապարակումները

Քայլ դեպի եզրային մեքենայական ուսուցում

Ինչպես ստեղծեցի DIY նախագիծ, որը խորը ուսուցումը բերում է Arduino Pro սալիկի վրա։

8 րոպե
Մեքենայական ուսուցումedge սարքերjetsonarduino

Ինչպես ստեղծեցի DIY նախագիծ, որը խորը ուսուցումը բերում է Arduino Pro սալիկի վրա։

Վերջապես դա տեղի ունեցավ. ես մեկընդմիշտ սիրահարվեցի ներդրված համակարգերի մեքենայական ուսուցմանը։ Այս նոր հմայքի ախտանիշները ի հայտ եկան աստիճանաբար և սկզբում ամաչկոտ։ Սկզբում ինձ հիացրեց այն, ինչ կարելի է անել Raspberry Pi-ով։ Linux-ը Python-ի հետ զուգակցելը թույլ էր տալիս արագ արդյունքի հասնել, իսկ մեքենայական ուսուցման ինժեների համար դա նման էր նույն աշխատանքը մեծ մեքենայից գրեթե առանց փոփոխությունների տեղափոխելուն։ Բացի այդ, ֆիզիկական մի բան ստեղծելը և սեփական կոդով այն կյանքի կոչելը թարմ հանգստություն էր զուտ բեքենդի համար ծրագրեր գրելուց հետո։

Հաջորդը Nvidia Jetson-ն էր։ Դա հզոր սարք է, որը առաջին միացումից նախատեսված է խորը ուսուցման և համակարգչային տեսողության համար։ Այն կարգավորելն ու շրջակա միջավայրի վահանակի հետ աշխատելը հաճույք էր։ Այդուհանդերձ, որքան էլ փոքր է, ես շարունակ զգում էի, որ այն չափազանց ծավալուն է իմ մտքում եղած բոլոր սցենարների համար։ Ավելի ճիշտ՝ իմ Mavic-ը չէր կարողանում այն բարձրացնել։

Այսպես ես հայտնվեցի Arduino Nano-ի մոտ։ Պետք է ասեմ, որ այն և տպավորեց, և հիասթափեցրեց ինձ։ Հարթակն ունի շատ բան առաջարկելու. ընդլայնման մեծ հնարավորություններ, հեշտ ձեռք բերվող բաղադրիչներ և կոմպակտ մեքենայական ուսուցման մոդելներ գործարկելու ունակություն։ Ցանկացած աքսեսուար, որը աշխատում է հայտնի Arduino Uno-ի հետ, կարելի է օգտագործել նաև Nano-ի հետ։ Սակայն ML մոդելների հետ աշխատելն այնքան էլ հաճելի չէ, քանի որ հիշողության սահմանափակումները շատ խիստ են։

Այդուհանդերձ, ես չհանձնվեցի. Arduino-ի նկատմամբ իմ հավատը անսահման է։ Միևնույն ժամանակ եզրային մեքենայական ուսուցումը գնալով ավելի հետաքրքիր էր դառնում, և ես անընդհատ նոր գաղափարներ էի մտածում կիրառությունների համար։ Ինձ պետք էր նույն չափի ավելի հզոր սարք։ Այսպես ես գտա Arduino Portenta-ն։

Այս գրառման մեջ ես ներկայացնում եմ իմ առաջին DIY նախագիծը, որը խորը ուսուցում է գործարկում Arduino Pro սալիկի վրա։ Սուրճ պատրաստեք. ընթերցանությունը երկար է լինելու 🙂

Խնդիր

Նախ՝ պետք է խելամիտ խնդիր ընտրել։ Շրջակա միջավայրի գիտությունները իմ կիրքն են, ուստի երբ կողմնակի նախագծեր եմ փնտրում, հակվում եմ դեպի Երկրի գիտությունները, հեռահար զոնդավորումը և շրջակա միջավայրի պաշտպանությունը։ Այստեղ ձմեռը առանձնապես խիստ չէ, բայց նույնիսկ ես չեմ ցանկանում լքել իմ հարմարավետ բնակարանը, ուստի զվարճալի մի բան մտածելը հեշտ չէր։

Բարեբախտաբար, պատասխանը մոտակայքում էր։ Այն եկավ իմ երեխաներից, ովքեր շատ փոքր են՝ հասկանալու համար, թե ինչու պետք է աղբը տեսակավորել և վերամշակել։ Արդյունքում աղբը հայտնվում է ամենամոտ աղբամանում, և պետք է լինի դա կանխելու միջոց։

Պլանը պարզ է։ Ստեղծել և ծրագրավորել աղբամաններ, որոնք կօգնեն երեխաներին սովորել ճիշտ վերամշակման սովորույթներ։

Դրա հետ մեկտեղ, ստեղծելը պետք է հաճելի լինի։ Իմ դեպքում դա նշանակում է տեխնոլոգիաներով լիովին չափն անցնել 😅։ Այնպես որ օգտագործենք համակարգչային տեսողություն, խորը ուսուցում, ներդրված ML և մի փոքր իրերի ինտերնետ։

Հետաքրքիր նախագիծ փնտրելը ինձ ավելի շատ մտածել տվեց ներդրված ML-ի մասին արդյունաբերության, գյուղատնտեսության, քաղաքային կառավարման, շրջակա միջավայրի մոնիթորինգի և այլ ոլորտներում։ Պոտենցիալը հսկայական է, բայց այդպիսին են նաև թերություններն ու սահմանափակումները։ Դա արժանի է խորը քննարկման, և ես զգում եմ, որ պետք է սովորեմ արտաքին աղբյուրներից։ Եթե կարող եք խորհուրդ տալ IoT-ի և ML-ի մասին լավ կոնֆերանս, շատ շնորհակալ կլինեմ։

Տուփից հանելը

Ի հաճելի զարմանս՝ հիմնական բաղադրիչները առաքվեցին պատվերից ընդամենը մեկ օր անց։ Այս նախագծի համար ես ընտրեցի Arduino Portenta H7-ը և այն ընդլայնեցի vision shield-ով։ Դրա 320x320 պիքսել տեսախցիկի սենսորը բավարար է աղբի հիմնական տեսակները դասակարգելու համար։ Վահանակը նաև աջակցում է LoRa-ին, որը օգտակար կլինի հետագա նախագծերի համար։ Հասանելի է նաև Ethernet տարբերակ։

Arduino Portenta H7 + Vision Shield

Սալիկի պատրաստումը

Վահանակը սալիկին միացնելը պարզ է։ Կառուցվածքը բավական ամուր է թվում՝ լրացուցիչ պաշտպանությամբ օգտագործելու համար, բայց ես չէի ուզում վնասել այն նախատիպավորման ժամանակ։ Սիրողները դեռ լայնորեն չեն յուրացրել այս սալիկը, ուստի պատրաստի պատյաններ չկան։ Բարեբախտաբար, մոդուլը փոքր է, և դրա համար պատյան 3D տպելը խնդիր չէ։ Ես հաճախ օգտագործում եմ «customizable everything box» կոչվող հիանալի նախագիծը։ Այն ունի հսկայական քանակությամբ ռիմիքսներ, ուստի DIY կառուցվածքին հարմար մեկը գտնելը հեշտ է։

Arduino Portenta H7 + Vision Shield

Ահա բարդ հատվածը։ Մինչև սալիկն օգտագործելը այն պետք էր ֆլեշավորել։ Ես մտադիր եմ Portenta-ն օգտագործել երկու սցենարով։

Առաջին սցենարը ներառում է տվյալների հավաքումը և մոդելի պատրաստումը, որի համար նախատեսում եմ օգտագործել Edge Impulse-ը։ Բարեբախտաբար, նրանք տրամադրում են հիանալի ձեռնարկ սալիկը իրենց հարթակին միացնելու մասին։ Անպայման միացեք սարքին բրաուզերի միջոցով – դա ամեն ինչ սահուն է դարձնում։

Երկրորդ սցենարը զուգակցում է ML մոդելով ինֆերենսի գործարկումը և լրացուցիչ սարքավորումների կառավարումը։ Քանի որ ես սիրում եմ MicroPython-ը և CircuitPython-ը, ընտրեցի OpenMV-ը, որը տեղադրվում է այլ կերպ։ Երբ ներբեռնեք IDE-ն և միացնեք սալիկը, ձեզ կառաջարկվի, որ սարքը կարելի է ֆլեշավորել։

Հիշեք, որ երկու սցենարները փոխարինելի չեն։

Եթե ձեր մշակման մեքենան չի կարողանում միանալ սարքին, կա ևս մեկ խոչընդոտ։ Modemmanager-ը հեռացնելը և մի քանի udev կանոն ավելացնելը պետք է լուծի խնդիրը։ Լրացուցիչ մանրամասներ կան Porenta-ի կարգավորման խափանումների վերացման ուղեցույցում։

Հավաքում

Իմ անելիքների ցուցակի առաջին կետը գունավոր աղբամանները պատրաստելն էր։ Կառուցվածքում երեք աղբաման կա, և յուրաքանչյուր գույն ներկայացնում է աղբի տարբեր տեսակ՝ կապույտ (թուղթ), դեղին (պլաստիկ և մետաղ) և կանաչ (ապակի)։ Կառավարիչով աղբամանը կանգնած է մեջտեղում։ Նրա կափարիչի մեջ ուղղանկյուն անցք կտրեցի և այնտեղ տեղադրեցի Arduino սալիկը տեսախցիկով։ Երկու LED ժապավեն ամրացված է յուրաքանչյուր աղբամանի ներքին պատերին։ Ամեն ինչ սնվում է փոքր power bank-ից։ Բնականաբար, ներսի լարերը նման են սպագետտիի 😅։

IoT աղբամանի նախապատրաստում

Տվյալների պատրաստում

Տվյալները կարելի է պատրաստել մի քանի եղանակով. կարող էի կամ օգտագործել գոյություն ունեցող տվյալների բազա, կամ ինքս ստեղծել։ Թեև կան հանրային պիտակավորված տվյալների հավաքածուներ, որոնք կարող էի հարմարեցնել այս խնդրին, ես ընտրեցի հավաքել սեփական փոքր նմուշների հավաքածուն։ Պատճառները Arduino-ի տեսախցիկի սենսորի առանձնահատկություններն էին և Edge Impulse հարթակի հնարավորությունները ստուգելու ցանկությունս։ Պարզվեց, որ դա ճիշտ որոշում էր։ Edge Impulse-ի տվյալների հավաքման գործառույթը հեշտ է օգտագործել և թույլ տվեց արագ անցնել այս քայլը։ Հարթակը անմիջապես սարքին կապելը հիանալի գաղափար էր։

Տվյալների նմուշներ։ Ոչ մի կերպ աղբ չեն անվանի. սա ինտերնետն է, և ես ուզում էի, որ գրառումը գեղեցիկ տեսք ունենա։

Մոդելի պատրաստում

Ես մնացի Edge Impulse-ի աշխատանքային հոսքին և մեքենայական ուսուցման մոդելը մարզեցի TensorflowLite ֆրեյմվորքով։ Սկզբում ստեղծեցի Impulse, որը ծառայում է որպես մարզման փոխակրիչի գծագիր։ Դրանից հետո կատարեցի տվյալների նախամշակումը։ Վերջում ընտրեցի նախապես սահմանված մոդելի ճարտարապետություն և սկսեցի մարզումը։ Շնորհիվ հասանելի transfer learning տարբերակի՝ մոդելը արագ զուգամիտեց և լավ արդյունքներ տվեց։ Ես դեռ մտածում եմ, թե Edge Impulse-ը որքանով կարելի է հարմարեցնել, բայց շուտով կպարզեմ ավելի պահանջկոտ դեպքում։

Տեղակայում

Տեղակայման համար ընտրելու շատ տարբերակներ կան։ Խորհուրդ տրվածը մոդելը որպես սարքի ֆիրմվեր տեղադրելն է։ Քանի որ ուզում էի ավելացնել որոշ հատուկ վարքագիծ, ես մոդելը տեղակայեցի որպես OpenMV փաթեթ։ Սա ստեղծում է փաթեթ՝ մոդելով, պիտակներով տեքստային ֆայլով և MicroPython ինֆերենսի ձևանմուշ սկրիպտով։ Մնում էր միայն խմբագրել այդ սկրիպտը և ավելացնել LED-ները կառավարող տողերը։

Արդյունքներ

Երբ ամեն ինչ հավաքված էր, ժամանակն էր օգտատիրոջ ընդունման թեստավորման։ Երեխաները զվարճացան առաջին 15 րոպեին, բայց միևնույն է, այն արժեր ջանքերը։

Հարմարեցված տրամաբանությամբ ինֆերենսի նախնական արդյունքներ։

Բնականաբար, ես անմիջապես չստացա ուզած արդյունքը։ Մեքենայական ուսուցման մոդելների իտերացիան նորմալ է։ Ես ամբողջ ցիկլը՝ տվյալների հավաքումից մինչև մարզում և մոդելի հարմարեցում, մի քանի անգամ կրկնեցի, մինչև լուծումը դարձավ օգտագործելի։

Ամփոփում

Ընդհանուր առմամբ ժամանակը լավ ներդրվեց։ Ես շատ բան սովորեցի և իսկապես վայելեցի լուծումը կառուցելն ու ծրագրավորելը։ Ես հաստատ հավատում եմ, որ եզրային մեքենայական ուսուցումը շատ կարևոր կլինի հետագայում, քանի որ կան բազմաթիվ ոլորտներ, որտեղ այս մոտեցումը հարմար է։ Միևնույն ժամանակ զգում եմ, որ դեռ շատ աշխատանք է մնացել։ Բարեբախտաբար, Edge Impulse-ը և OpenMV-ը կյանքը շատ հեշտացնում են։

Եթե ցանկանում եք ավելի խորանալ աղբի ավտոմատ դասակարգման մեջ, ծանոթացեք մեր Senior Machine Learning Engineer-ի գրած հոդվածին։

Մեր մեքենայական ուսուցման թիմի Senior Machine Learning Engineer-ը ավելացնում է.

Ես վաղուց հետաքրքրված էի, թե որ ոլորտները կշահեն եզրում տվյալներ մշակելուց՝ սովորական սխեմայի փոխարեն, երբ թեթև հանգույցները տվյալները փոխանցում են ավելի մեծ հաշվարկային հզորությամբ կենտրոնական սերվերին։ Երբ պետք է սարքերի ցանց սպասարկել, ավելի հեշտ է կառուցել շատ պարզ սարքեր, որոնք կարող են մարտկոցներով աշխատել մինչև մի քանի տարի, քան ավելի բարդ, էներգատար սարքեր առաջադեմ մշակմամբ (այստեղ՝ մեքենայական ուսուցման մոդել), որոնք արագ սպառում են մարտկոցները կամ նույնիսկ պետք է միացված լինեն ցանցին։ IoT համակարգերի հետ իմ փորձով ամենատիպիկ կիրառությունը տվյալների հավաքումն է, իսկ մշակումը կատարվում է կենտրոնացված։ Հետաքրքիր է՝ ներդրված ML-ը այդ մոտեցման նկատմամբ առավելություն կունենա՞։