【tinyML】使用EdgeImpulse讓您的Arduino可以辨識手勢！

1 認識 wio terminal

Wio Terminal 是一款專門用于 IoT 與 TinyML 的多功能開發(fā)板 – 包含了 ATSAMD51P19 芯片并以 ARMCortex-M4F 為核心 (20MHz)，已支持多種針對微控制器的 ML推論框架。

本開發(fā)板已包含：

?光傳感器(模擬)

?麥克風

?可自定義按鈕 x 3

?4 英吋彩色LCD

?加速度傳感器

?Grove 接頭 x 2，可連接多達300種 Grove 傳感器

就軟件面來說， Arduino IDE 已可用于開發(fā)各種支持 Edge Impulse 與 Tensorflow Lite 的微控制器裝置來進行神經網絡訓練與推論，或者您也可以玩玩看另一款熱門的開發(fā)環(huán)境 platformIO 也可以玩玩看。EdgeImpulse 是一款針對邊緣運算裝置 x 機器學習的簡單易用的 coding free 開發(fā)環(huán)境。用戶可透過網頁接口就可以完成整個 tinyML 作業(yè)流程，從數(shù)據(jù)收集、數(shù)據(jù)處理、訓練神經網絡到導出部署，一條龍啊！

本文將示范如何把 wio terminal 所收集到的手勢資料 (光傳感器數(shù)值變化) 上傳到 Edge Impulse，完成上述流程之后再放回到 wio terminal 來執(zhí)行脫機 ML 推論，超好玩又富有學習意義！

如何辨識手勢

在此的假設為，不同的手勢在光傳感器上方晃動時，會產生可區(qū)別的時序數(shù)據(jù)(time series data)，我們就是要把這些數(shù)據(jù)送到 Edge Impulse 網站來處理、學習，并匯出一個 wio terminal 可執(zhí)行推論的神經網絡模型文件！

可想而知，如果用傳統(tǒng)的做法就很難去定義，怎樣的 pattern 可以一體適用各種不同的手勢都可以有不錯的辨識效果。（后續(xù)各位在收數(shù)據(jù)的時候就知道，同一種手勢的 time series 數(shù)據(jù)形狀差異很大?。?/p>

2 PC端設定

2-1 設定 Arduino IDE 2.0

根據(jù)原廠文件，請使用 Arduino IDE 1.9 以上，所以我直接使用 2.0，請根據(jù)您的操作系統(tǒng)版本取得對應的 Arduino 2.0 IDE。

注意！編譯 Edge Impulse 匯出檔案才需要用到 Arduino IDE 1.9以上，如果是把 wio terminal 當作一般 arduno 使用的話，經我實測使用 Arudino 1.8.X 沒有問題

請在 File → Preference → Additional Baord url 字段中填入：

完成之后就可以透過 Tools → Board → Boardmanager，輸出“Wio”來安裝 wio terminal 相關套件，點選 INSTALL：

完成就可以看到 Wio Terminal 相關選項

2-2 安裝 node.js 與 edgeimpulse 相關工具

根據(jù)您的平臺安裝 Node.js 1.0 以上版本，完成之后開啟 cmd 輸入以下指令來安裝 edge-impulse-cli：

npm install -g edge-impulse-cli

3 透過 edge cli 上傳傳感器數(shù)據(jù)到 EdgeImpulse

請新增一個 Arduino項目，輸入以下程序代碼上傳到 wio terminal，會透過 serial 把光傳感器數(shù)據(jù)傳給 edge cli，再上傳到 Edge Impulse 網站的指定項目（當然是您的賬號）

由 FREQUENCY_HZ 40 可知，我們會在 1000 ms (1秒鐘) 的時間長度取得 40 筆光傳感器數(shù)據(jù)，并以這一段時間中的亮度變化作為指定的手勢，也預設石頭 與 布 的手勢差異是可以被學習出來的。

#define FREQUENCY_HZ 40

#define INTERVAL_MS (1000 / (FREQUENCY_HZ))

void setup() {

Serial.begin(115200);

Serial.println("Started");

}

void loop() {

static unsigned long last_interval_ms = 0;

float light;

if (millis() > last_interval_ms + INTERVAL_MS) {

last_interval_ms = millis();

light = analogRead(WIO_LIGHT); //讀取 wio 光傳感器模擬腳位

Serial.println(light);

}

}

刻錄完成之后 wio terminal 就擺著，接著要透過 edge cli 來上傳數(shù)據(jù)到 edge Impulse 網站

開啟 cmd 之后輸入以下指令，會請您登入 edge Impulse 的賬號密碼并詢問以下事項：

?裝置所連接的 COM port

?命名數(shù)據(jù)字段：如下圖的 light

由下圖可以看到您的裝置 ID: 01FE…這一段，就是透過這個 ID 來識別您的裝置。

edge-impulse-data-forwarder

Edge Impulse – 登入與設定裝置

這一段最辛苦啦，幾乎所有的設定都是在 Edge Impulse 網站上完成，但說真的已經省很多事情了。

請先建立一個 Edge Impulse 賬號并登入。為了怕各位迷路，我會用顏色來標注現(xiàn)在是在哪一個 tab。以下是登入后的主畫面，也就是畫面左側– Dashboard，可以看到項目相關設定。

左側– Device

裝置基本設定，可以看到本賬號下的所有裝置，可以點選右側… 來編輯裝置設定或刪除裝置

Edge Impulse – 收資料

這里要收資料，請確認您的 wio terminal 已經上傳上述 arduino sketch 來準備傳數(shù)據(jù)，否則數(shù)據(jù)當然無法上傳到 Edge Impulse網站。

請點選左側– Data acquisition

中間的 collected data 一開始當然不會有東西，因為還沒開始上傳數(shù)據(jù)。請于畫面右側這樣設定：

?Label: rock (石頭）/ paper (布) -> 要辨識多少種手勢都沒問題，端看您愿意花多少時間去收數(shù)據(jù)而已。

?Sensor: Sensor with 1 axes (light)

?sample length(ms): 1000

?Frequency (39Hz) 這里自動帶入 arduino sketch 的 FREQUENCY_HZ，不用改

好了之后，按下右下角的 Start sampling，這時候請準備好您的手在 wio terminal 的光傳感器擺好手勢并晃動。取得資料，就會在畫面中間多一筆新的數(shù)據(jù)出來，點選該筆數(shù)據(jù)就可以看到他形狀（光傳感器讀數(shù) vs 時間）

上傳多筆數(shù)據(jù)之后的畫面如下，在此請讓您所要辨識的 label 的數(shù)據(jù)筆數(shù)盡量相等，反正上傳也不會很麻煩，每一筆數(shù)據(jù)右側的… 都可以點選來編輯數(shù)據(jù)屬性或刪除該筆數(shù)據(jù)。

最后請點選 train / test split 來設定訓練/測試數(shù)據(jù)的分配比例，完成每一項的必要設定之后，前面會亮起綠色燈，才能進到下一步。

Edge Impulse – 訓練模型

左側– impulse design / Create impulse

根據(jù) EdgeImpulse 本身的定義，impulse 是指一個 pipeline，您會在此設定關于 raw data 處理方式、如何處理(processing block)、如何學習(learning block)，這樣才算是一個完整的流程。

以我們的手勢辨識范例，在此是長度為一秒鐘的光傳感器數(shù)據(jù)，所以屬于 time series data。在此請把 window size 與 window increase 分別設為 1000, 50ms，F(xiàn)requency 會自動帶入 wio terminal Arduino 碼設定中所的頻率 (40Hz)，這里就不用動。

點選 [Add a processing block] ，選單中選擇 Raw data，就會新增這個block。

請在其中選擇 Input axes 也就是所要處理的數(shù)據(jù)，在此只有一筆，就是 light。不同型態(tài)的數(shù)據(jù)可能會用到更多 processing block，之后再慢慢說明。

接著點選 [Add a learningblock] ，選單中選擇 Classification (Keras)，就會新增這個 block。fafa Input feature 選擇 Raw data，輸出會自動帶出 2 (paper,rock) 也就是 data acquisition 時所設定的 label 名稱。

本區(qū)設定完成如下圖，最后點選 Save Impulse 就完成了。

Edge Impulse – 原始數(shù)據(jù)產生特征

左側– impulse design / Raw data

在此要針對原始數(shù)據(jù)產生特征，先看到 Parameters 卷標，到時候要把 Raw feature 這一段復制到最后匯出的 arduino sketch 才能順利執(zhí)行推論。

接著按下 Generate features 標簽，跑完會看到如右圖的數(shù)據(jù)特征分布，這一段就完成了。

Edge Impulse – 訓練模型

左側– impulse design / NNclassifier

本段要設定神經網絡架構，可以自己定義神經網絡架構，在此我新增了兩個 Dense 密集連接層，分別使用 20, 10 個神經元，相當小巧。另外兩個參數(shù)如下設定：

?Number of training cycles: 看過一遍所有數(shù)據(jù)稱為一次，在此設定 500

?Learning rate: 神經網絡收斂的速度，這個數(shù)值通常非常小，在此設定 0.0001

當然功能不止這樣啦，點選 [Add an extra layer]，可以看到以下 keras 層，要加入卷積層也是可以的，別急，之后都可以玩玩看的。

設定好架構之后，點選下方的 [Start training] 就會開始訓練，過程中沒有寫一行程序代碼，真的很方便！右側可以看到訓練過程中的輸出訊息。

第一次訓練完的 accuracy / loss 只有 75%, 0.65，差強人意

我又上傳了一些手勢數(shù)據(jù)，用同樣的架構再跑一次，accuracy 就到 100%了！當然 loss 0.62 很高啦，不過這之后可以慢慢調，先繼續(xù)下去吧

Edge Impulse – 測試神經網絡模型成效

網站左側，選擇Live Classification

先不急著匯出，先上傳一筆數(shù)據(jù)玩玩看，可以上傳懸心數(shù)據(jù)，或是從既有數(shù)據(jù)來看看

左下角可以看到 PAPERS 0.52, ROCK 0.48，這當然不是一個很好的結果，就需要回頭去調整數(shù)據(jù)，或是修正更好的神經網絡架構

Edge Impulse – 導出神經網絡模型

網站左側，選擇 Deployment

會列出目前可匯出的平臺，請點選 Arduino，另外也可以看到 NVIDIA tensorRT，各種選項愈來愈完整，非常棒。

同一個頁面往下拉，使用預設設定 Quantized (int8)，接著選擇 Build。

看到這張圖就沒問題了， .zip 檔不用解壓縮，等等直接匯入 Arduino IDE 即可。

Arduino 匯入之后開始使用

開啟 Arduino IDE，選擇 Sketch → Include Library → Add .ZIP library 匯入上一步取得的 .zip

完成之后就可以在File 選到這個范例，請開啟其中的 static buffer

請到 Edge Impulse 網站，選擇 Impusle design / Raw data，復制 Raw features 到您的樣板項目中，有一個復制符號可以直接按，這里的數(shù)據(jù)數(shù)量就會等于 Frequency，以本范例來說就是 40。

貼到您的 Arduino 范例中的 features[] 數(shù)組中，這樣就可以了。

接著上傳程序到 wio termnial ，就可以從 serial monitor 看到每一次的推論結果，happy making!!

審核編輯：湯梓紅