描述

介紹

最容易學習的 ML 平臺 Edge Impulse 確實徹底改變了當今 ML 工作流程的階段。因為它很容易，我能夠在三個小時內完成整個項目。Smart Parks、hackster.io和 Edge Impulse 合作努力保護世界上最大的陸地動物大象。

我正在建立這個項目，以幫助他們努力向前推進。我正在構建一個 ML 模型來對大象圖像與其他圖像進行分類。我使用的數據集是 Arribada.org。所有 ML 工作流程均使用 Edge Impulse 完成。

我計劃解釋我使用這個項目制作這個圖像分類器的所有步驟。相信我會花很多時間。

第 1 步 - 創建 Edge Impulse 帳戶和項目

使用此鏈接在 Edge Impulse 中創建一個帳戶。創建帳戶并登錄帳戶后，創建一個項目。

?

邊緣脈沖儀表板

?

步驟 2 安裝 Edge Impulse CLI

準備好帳戶和項目后，您可以繼續在計算機中安裝 Edge Impulse CLI。我使用的是 Windows 10，所有說明僅對該環境有效。

使用 NPM安裝Node.js v10 或更高版本，安裝文件和說明可以在這里找到。

安裝 Edge Impulse CLI（在 Windows 10 中使用 CMD）

C:\Users\Chamal> npm install -g edge-impulse-cli

安裝程序將在 pc 中安裝以下工具。

edge-impulse-daemon

edge-impulse-uploader

edge-impulse-data-forwarder

edge-impulse-run-impulse

eta-flash-tool

第 3 步 - 下載訓練/測試數據集

對于模型訓練，我使用來自Arribada.org的數據集。該數據集包含在 ZSL Whipsnade 動物園收集的大象熱圖像。

您可以在GitHub中找到數據集。

Step4 - 上傳到 Edge Impulse

使用 Edge Impulse 上傳工具，可以上傳數據集。在終端中運行以下命令

 # Upload all the "elephant" images

C:\Users\Chamal> edge-impulse-uploader --category split --label elephant human-wildlife-conflict/Elephant/Object/single_elephant/*.png
C:\Users\Chamal> edge-impulse-uploader --category split --label elephant human-wildlife-conflict/Elephant/Object/multiple_separate_elephants/*.png
C:\Users\Chamal> edge-impulse-uploader --category split --label elephant human-wildlife-conflict/Elephant/Object/multiple_obstructing_elephants/*.png
C:\Users\Chamal> edge-impulse-uploader --category split --label elephant human-wildlife-conflict/Elephant/Object/human_and_elephant/*.png

# Upload all the "non-elephant" images

C:\Users\Chamal> edge-impulse-uploader --category split --label non-elephant human-wildlife-conflict/Elephant/Object/human/*.png
C:\Users\Chamal> edge-impulse-uploader --category split --label non-elephant human-wildlife-conflict/Elephant/Object/goat/*.png

這需要一些時間，因為該數據集中有超過 10,000 張圖像需要上傳。

第 5 步 - 創造沖動

轉到“創建脈沖”頁面并添加一個處理塊作為圖像。然后添加“遷移學習”作為學習塊。

?

創造沖動

?

第 6 步 - 特征提取

轉到圖像菜單可以單擊“生成特征”以從上傳的數據集中提取特征。

?

?

第 7 步 - 訓練模型

轉到遷移學習菜單，然后單擊開始訓練按鈕開始模型訓練。

?

模型訓練

?

?

培訓完成了

?

訓練完成后，它會顯示準確率，這次是 99.3%。價值對我來說還可以。

第 8 步 - 實時分類

現在是時候測試模型的能力了。轉到實時分類菜單。選擇一個樣本并單擊加載樣本按鈕。下面展示了兩個場景這是如何工作的。一個用于非大象分類，另一個用于大象分類。

?

非大象分類

?

?

?

第 9 步 - 制作版本

是時候制作訓練模型的版本了。轉到版本控制

?

版本控制

?

?

第 10 步 - 下載模型

最后，您可以簡單地為您喜歡的任何語言下載經過訓練的模型，并與您喜歡的任何應用程序集成。進入部署。

?

建造

?

?

結論

這非常簡單，只需 10 個簡單的步驟，您就可以構建自己的訓練有素的 ML 模型，該模型可以部署在任何地方，即使是像 Android Nano BLE 33 或 SMT Discovery 板這樣的微型微控制器。底線 Edge Impulse 為我的 ML 工作流程節省了大量時間。無需編寫任何代碼，我就能夠成功構建和部署可用于識別大象的圖像分類器。使用它，我們可以建立警報系統，以在大象移動到非安全區域時發出警報。