。

?

2022 年 3 月 29 日更新。我盡我所能定期更新我的文章，并根據(jù)您在 YouTube/Hackster 評論部分的反饋。如果您想表達(dá)對這些努力的支持和贊賞，請考慮給我買杯咖啡（或披薩）:)。

本質(zhì)上， aXeleRate是基于我用于訓(xùn)練圖像識別/對象檢測模型的腳本集合 - 組合成一個框架并針對 Google Colab 上的工作流程進(jìn)行了優(yōu)化。使用起來更方便，更新更及時。

對于舊版本的文章，你仍然可以在steemit.com 上看到。

第 1 步：CNN 和遷移學(xué)習(xí)：一些理論

?

?

?

?

卷積神經(jīng)網(wǎng)絡(luò)或 CNN 是一類深度神經(jīng)網(wǎng)絡(luò)，最常用于分析視覺圖像。互聯(lián)網(wǎng)上有很多關(guān)于該主題的文獻(xiàn)，我將在文章的最后部分提供一些鏈接。簡而言之，您可以將 CNN 視為一系列應(yīng)用于圖像的過濾器，每個過濾器在圖像中尋找特定的特征——在較低的卷積層上，特征通常是線條和簡單的形狀，而在較高層上的特征可以更具體，例如身體部位、特定紋理、動物或植物的部分等。某些特征集的存在可以為我們提供關(guān)于圖像中對象可能是什么的線索。胡須，兩只眼睛和黑鼻子？一定是貓！綠葉，樹干？看起來像一棵樹！

我希望您現(xiàn)在了解 CNN 的工作原理。通常，深度神經(jīng)網(wǎng)絡(luò)需要數(shù)千張圖像和數(shù)小時的訓(xùn)練時間（取決于您用于訓(xùn)練的硬件）來“開發(fā)”可用于識別您想要的對象類型的過濾器。但有一條捷徑。

一個被訓(xùn)練來識別很多不同的常見物體（貓、狗、家用電器、交通工具等）的模型已經(jīng)“開發(fā)”了很多有用的過濾器，所以我們不需要它來學(xué)習(xí)識別基本形狀和對象的一部分。我們可以重新訓(xùn)練網(wǎng)絡(luò)的最后幾層來識別特定類別的對象，這對我們很重要。這被稱為“遷移學(xué)習(xí)”。通過遷移學(xué)習(xí)，你需要的訓(xùn)練數(shù)據(jù)和計算時間要少得多，因?yàn)槟阒挥?xùn)練網(wǎng)絡(luò)的最后幾層，可能由幾百個神經(jīng)元組成。

聽起來很棒，對吧？讓我們看看如何實(shí)現(xiàn)它。

第 2 步：準(zhǔn)備環(huán)境

?

使用 aXeleRate 有兩種方法：在 Ubuntu 機(jī)器上本地運(yùn)行或在 Google Colab 中運(yùn)行。要在 Google Colab 中運(yùn)行，請查看以下示例：

圖片分類 Colab Notebook

現(xiàn)在在本地訓(xùn)練您的模型并將其導(dǎo)出以用于硬件加速也變得更加容易。

我的工作環(huán)境是 Ubuntu 16.04，64 位。您可以使用虛擬機(jī)來運(yùn)行 Ubuntu 映像，因?yàn)槲覀儾粫褂?GPU 進(jìn)行訓(xùn)練。通過一些修改，您還可以在 Windows 上運(yùn)行訓(xùn)練腳本，但是對于模型轉(zhuǎn)換，您需要使用 Linux 系統(tǒng)。因此，您執(zhí)行本教程的首選環(huán)境是 Ubuntu 16.04，在本機(jī)或虛擬機(jī)中運(yùn)行。

讓我們從安裝 Miniconda 開始，它是 Python 的環(huán)境管理器。我們將創(chuàng)建隔離環(huán)境，因此我們不會意外更改您系統(tǒng) Python 環(huán)境中的任何內(nèi)容。

在此處下載安裝程序

安裝完成后，新建環(huán)境：

conda create -n ml python=3.7

讓我們激活新環(huán)境

conda activate ml

bash shell 前的前綴將與環(huán)境名稱一起出現(xiàn)，表明您現(xiàn)在在該環(huán)境中工作。

第 3 步：安裝 aXeleRate 并運(yùn)行測試

?

在本地機(jī)器上安裝 aXeleRate

pip install git+https://github.com/AIWintermuteAI/aXeleRate

要下載示例，請運(yùn)行：

git clone https://github.com/AIWintermuteAI/aXeleRate

您可以使用 aXeleRate 文件夾中的 tests_training.py 運(yùn)行快速測試。它將為每種模型類型運(yùn)行訓(xùn)練和推理，保存和轉(zhuǎn)換訓(xùn)練好的模型。由于它只訓(xùn)練 5 個 epoch 并且數(shù)據(jù)集非常小，您將無法獲得有用的模型，但此腳本僅用于檢查是否存在錯誤。

第 4 步：重新訓(xùn)練模型，將 Keras 模型轉(zhuǎn)換為 Kmodel

?

對于這個玩具示例，我們將訓(xùn)練模型識別圣誕老人和 Arduino Uno。顯然你可以選擇其他類。從這里下載數(shù)據(jù)集。在 config 文件夾中創(chuàng)建一個 classifier.json 文件的副本，然后進(jìn)行相應(yīng)的更改，類似于屏幕截圖中的配置文件 - 確保訓(xùn)練和驗(yàn)證文件夾的路徑正確！

從 aXeleRate 文件夾運(yùn)行以下命令：

python axelerate/train.py - c configs/santa_uno.json

培訓(xùn)將開始。如果驗(yàn)證準(zhǔn)確度（我們的驗(yàn)證指標(biāo)）在 20 個 epoch 內(nèi)沒有提高，訓(xùn)練將提前停止。每次驗(yàn)證準(zhǔn)確性提高時，模型都會保存在項(xiàng)目文件夾中。訓(xùn)練結(jié)束后，aXeleRate 自動將最佳模型轉(zhuǎn)換為指定格式 - 您現(xiàn)在可以選擇“tflite”、“k210”或“edgetpu”。

第 5 步：在 Sipeed Maix Bit 上運(yùn)行模型

有兩種方法可以在 Sipeed Maix 硬件上運(yùn)行您現(xiàn)在擁有的模型：micropython 固件和 Arduino IDE。Micropython 硬件更易于使用，但它占用了很大一部分可用內(nèi)存，因此留給模型的空間更少。Arduino IDE 基本上是 C 代碼，效率更高，內(nèi)存占用更小。我的模型只有 1.9Mb，所以兩個選項(xiàng)都適用。您可以將 2.9 Mb 的模型與 Micropython 一起使用，對于需要考慮使用 Arduino IDE 的任何更大的模型。

從這里下載 OpenMV IDE 和從這里下載最小的 micropython固件。

使用kflash_gui 工具燒錄固件。 您也可以選擇將訓(xùn)練好的模型也刻錄到 flash，如屏幕截圖所示。

?

或?qū)⑵鋸?fù)制到 SD 卡（在這種情況下，將.kmodel復(fù)制到 SD 卡的根目錄并將 SD 卡插入 Sipeed Maix Bit）

打開 OpenMV IDE 并按下連接按鈕。從 example_scripts 文件夾打開santa_uno.py腳本，然后按開始按鈕。您應(yīng)該會看到來自相機(jī)的實(shí)時流，如果您打開串行終端，您將獲得置信度得分最高的圖像識別結(jié)果！

?

要與 Arduino IDE 一起使用，首先您需要按照將 Sipeed 板添加到 Arduino IDE 的過程進(jìn)行操作，此處記錄。添加板后，打開mobilenet_v1_transfer_learning.ino草圖并將其上傳到 Sipeed Maix Bit。將 SD 卡上的模型名稱更改為“模型”（或使用此名稱復(fù)制）。

?

您可以更改names.cpp中的標(biāo)簽名稱。它將在 Sipeed Maix 屏幕上顯示實(shí)時攝像機(jī)流以及頂部圖像識別結(jié)果。

第 6 步：結(jié)論

以下是有關(guān) CNN 和遷移學(xué)習(xí)主題的更多材料可供閱讀：

使用 Mobilenet 和 Keras進(jìn)行遷移學(xué)習(xí)遷移學(xué)習(xí)的一個很好的解釋，本教程使用該文章中代碼的修改版本。

貓狗和卷積神經(jīng)網(wǎng)絡(luò)解釋 CNN 背后的基礎(chǔ)知識并可視化一些過濾器。與貓！

在 Sipeed MaixPy 和 MaixDuino 上訓(xùn)練、轉(zhuǎn)換、運(yùn)行 MobileNet！Sipeed 團(tuán)隊關(guān)于如何從頭開始訓(xùn)練 Mobilenet 1000 類的教程（無遷移學(xué)習(xí)）。您可以下載他們的預(yù)訓(xùn)練模型并嘗試一下！

希望您可以利用您現(xiàn)在擁有的知識來構(gòu)建一些帶有機(jī)器視覺的很棒的項(xiàng)目！你可以在這里購買 Sipeed 板，它們是嵌入式系統(tǒng)上機(jī)器學(xué)習(xí)最便宜的選擇之一。

如果您有任何問題，請在LinkedIn上添加我，并訂閱我的 YouTube 頻道，以獲得有關(guān)機(jī)器學(xué)習(xí)和機(jī)器人技術(shù)的更多有趣項(xiàng)目的通知。