描述

介紹

在這個(gè)項(xiàng)目中，我將展示一種開始使用 TinyML 的簡單方法：在Arduino板上實(shí)現(xiàn)機(jī)器學(xué)習(xí)模型，同時(shí)創(chuàng)建一些很酷的東西：基于加速度計(jì)的手勢識(shí)別系統(tǒng)。

為了使實(shí)驗(yàn)更簡單，該系統(tǒng)設(shè)計(jì)為僅識(shí)別兩種手勢：出拳和彎曲動(dòng)作（在數(shù)據(jù)科學(xué)領(lǐng)域，二元分類）。

這個(gè)實(shí)驗(yàn)的最大挑戰(zhàn)是試圖在一個(gè)非常小的設(shè)備上運(yùn)行預(yù)測模型：一個(gè) 8 位微控制器。為此，您可以使用Neuton。

Neuton是一個(gè) TinyML 框架。它允許在沒有任何編碼和一點(diǎn)機(jī)器學(xué)習(xí)經(jīng)驗(yàn)的情況下自動(dòng)構(gòu)建神經(jīng)網(wǎng)絡(luò)，并將它們嵌入到小型計(jì)算設(shè)備中。它支持8位、16位和32 位微控制器。

實(shí)驗(yàn)分為三個(gè)步驟：

• 捕獲訓(xùn)練數(shù)據(jù)集
• 使用Neuton訓(xùn)練模型
• 在Arduino上部署和運(yùn)行模型

實(shí)驗(yàn)流程

?

設(shè)置

手勢識(shí)別系統(tǒng)由以下部分組成：

• 微控制器：Arduino Mega 2560
• 加速度計(jì)傳感器：GY-521模塊此模塊圍繞InvenSense MPU-6050構(gòu)建：傳感器在單個(gè) IC 中包含 3 軸 MEMS 加速度計(jì)和 3 軸 MEMS 陀螺儀。它的操作非常精確，因?yàn)樗總€(gè)通道精確的數(shù)字轉(zhuǎn)換器。它可以同時(shí)捕捉X、Y和Z軸的值。與 MCU 的通信使用I2C接口進(jìn)行。

GY-521 由Arduino Mega 電源部分的5V和GND引腳供電，而對(duì)于數(shù)據(jù)通信，則使用I2C引腳（引腳 20 和引腳 21）。其余引腳是可選的，對(duì)于此應(yīng)用無用。

要驗(yàn)證 GY-521 模塊是否正確供電，請(qǐng)連接Arduino板的 USB 電纜并檢查安裝在傳感器板上的 LED 是否亮起。

GY-521：LED位置

?

驗(yàn)證傳感器電源后，通過下載Adafruit MPU6050 Arduino 庫并打開“繪圖儀”示例檢查I2C通信是否正常工作。

將示例草圖上傳到Arduino板上，打開Tools菜單中的“ Serial Plotter ” ，在baud下拉菜單中設(shè)置115200 ，然后“搖動(dòng)”sensor板。預(yù)期結(jié)果如下：

現(xiàn)在，系統(tǒng)已準(zhǔn)備好收集加速度計(jì)和陀螺儀數(shù)據(jù)。

1. 捕獲訓(xùn)練數(shù)據(jù)

構(gòu)建預(yù)測模型的第一步是收集足夠的運(yùn)動(dòng)測量值。這組測量值稱為訓(xùn)練數(shù)據(jù)集，它將用于訓(xùn)練Neuton神經(jīng)網(wǎng)絡(luò)構(gòu)建器。

實(shí)現(xiàn)這一點(diǎn)的最簡單方法是通過捕獲加速度和陀螺儀測量并將結(jié)果存儲(chǔ)在文件中來重復(fù)多次相同的兩個(gè)動(dòng)作（沖壓和彎曲）。為此，您創(chuàng)建一個(gè)專用于傳感器數(shù)據(jù)采集的Arduino草圖。該程序?qū)@取每個(gè)運(yùn)動(dòng)的測量值，并將在串行端口控制臺(tái)上打印傳感器測量值輸出。

您將執(zhí)行至少 60 個(gè)動(dòng)作：第一個(gè)動(dòng)作 ( punch ) 30 個(gè)，第二個(gè)動(dòng)作 ( flex ) 30 個(gè)。對(duì)于每個(gè)動(dòng)作，您將在 1 秒的時(shí)間窗口內(nèi)獲得 50 個(gè)加速度和 50 個(gè)陀螺儀測量值（采樣時(shí)間：20ms —50Hz ）。在這個(gè)實(shí)驗(yàn)中，60 個(gè)動(dòng)作就足夠了。通過增加運(yùn)動(dòng)測量的數(shù)量，您可以提高模型的預(yù)測能力。但是，大型數(shù)據(jù)集可能會(huì)導(dǎo)致模型過擬合。沒有“正確”的數(shù)據(jù)集大小，但建議采用“反復(fù)試驗(yàn)”的方法。

Arduino草圖的串行端口輸出將根據(jù)Neutontraining 數(shù)據(jù)集要求進(jìn)行格式化。

下面，用于創(chuàng)建數(shù)據(jù)集的Arduino程序：

• IMU 傳感器初始化和 CSV 標(biāo)頭生成：

#define NUM_SAMPLES 50

Adafruit_MPU6050 mpu;

void setup() {
  // init serial port
  Serial.begin(115200);
  while (!Serial) {
    delay(10);
  }
  // init IMU sensor
  if (!mpu.begin()) {
    while (1) {
      delay(10);
    }
  }
  
  // configure IMU sensor
  // [...]

  // print the CSV header (ax0,ay0,az0,...,gx49,gy49,gz49,target)
  for (int i=0; i
    Serial.print("aX");
    Serial.print(i);
    Serial.print(",aY");
    Serial.print(i);
    Serial.print(",aZ");
    Serial.print(i);
    Serial.print(",gX");
    Serial.print(i);
    Serial.print(",gY");
    Serial.print(i);
    Serial.print(",gZ");
    Serial.print(i);
    Serial.print(",");
  }
  Serial.println("target");
}

• 采集 30 個(gè)連續(xù)動(dòng)作。如果加速度總和高于某個(gè)閾值（例如，2.5 G ），則檢測到運(yùn)動(dòng)的開始。

#define NUM_GESTURES    30
#define GESTURE_0       0
#define GESTURE_1       1
#define GESTURE_TARGET  GESTURE_0 
//#define GESTURE_TARGET  GESTURE_1

void loop() {
  sensors_event_t a, g, temp;
  
  while(gesturesRead < NUM_GESTURES) {
    // wait for significant motion
    while (samplesRead == NUM_SAMPLES) {
      // read the acceleration data
      mpu.getEvent(&a, &g, &temp);
      
      // sum up the absolutes
      float aSum = fabs(a.acceleration.x) + 
                   fabs(a.acceleration.y) + 
                   fabs(a.acceleration.z);
      
      // check if it's above the threshold
      if (aSum >= ACC_THRESHOLD) {
        // reset the sample read count
        samplesRead = 0;
        break;
      }
    }
  
    // read samples of the detected motion
    while (samplesRead < NUM_SAMPLES) {
        // read the acceleration and gyroscope data
        mpu.getEvent(&a, &g, &temp);
  
        samplesRead++;
  
        // print the sensor data in CSV format
        Serial.print(a.acceleration.x, 3);
        Serial.print(',');
        Serial.print(a.acceleration.y, 3);
        Serial.print(',');
        Serial.print(a.acceleration.z, 3);
        Serial.print(',');
        Serial.print(g.gyro.x, 3);
        Serial.print(',');
        Serial.print(g.gyro.y, 3);
        Serial.print(',');
        Serial.print(g.gyro.z, 3);
        Serial.print(',');
        
        // print target at the end of samples acquisition
        if (samplesRead == NUM_SAMPLES) {
          Serial.println(GESTURE_TARGET);
        }
        
        delay(10);
    }
    gesturesRead++;
  }
}

首先，在打開串行監(jiān)視器并將GESTURE_TARGET設(shè)置為GESTURE_0的情況下運(yùn)行上述草圖。然后，將GESTURE_TARGET設(shè)置為GESTURE_1運(yùn)行。對(duì)于每次執(zhí)行，執(zhí)行相同的動(dòng)作 30 次，盡可能確保以相同的方式執(zhí)行動(dòng)作。

將兩個(gè)運(yùn)動(dòng)的串行監(jiān)視器輸出復(fù)制到一個(gè)文本文件中，并將其重命名為“trainingdata.txt”。.csv ”。

2. 使用 Neuton TinyML 訓(xùn)練模型

Neuton自動(dòng)執(zhí)行訓(xùn)練，無需任何用戶交互。使用Neuton訓(xùn)練神經(jīng)網(wǎng)絡(luò)既快速又簡單，分為三個(gè)階段：

• 數(shù)據(jù)集：上傳和驗(yàn)證
• 培訓(xùn)：自動(dòng)機(jī)器學(xué)習(xí)
• 預(yù)測：結(jié)果分析和模型下載

2.1。數(shù)據(jù)集：上傳和驗(yàn)證

• 首先，創(chuàng)建一個(gè)新的Neuton解決方案并將其命名（例如Gesture Recognition ）。

Neuton：添加新的解決方案

?

• 上傳 CSV 訓(xùn)練數(shù)據(jù)集文件。

Neuton：上傳 CSV 文件

?

• Neuton根據(jù)數(shù)據(jù)集要求驗(yàn)證 CSV 文件。

Neuton：數(shù)據(jù)集驗(yàn)證

?

• 如果 CSV 文件符合要求，將出現(xiàn)綠色對(duì)勾，否則將顯示錯(cuò)誤消息。

Neuton：經(jīng)過驗(yàn)證的數(shù)據(jù)集

?

• 選擇目標(biāo)變量的列名（例如，目標(biāo)），然后單擊“下一步”。

Neuton：目標(biāo)變量

?

Neuton：數(shù)據(jù)集內(nèi)容預(yù)覽

?

2.2. 培訓(xùn)：汽車機(jī)器學(xué)習(xí)

現(xiàn)在，讓我們進(jìn)入訓(xùn)練的核心！

• Neuton分析訓(xùn)練數(shù)據(jù)集的內(nèi)容并定義 ML 任務(wù)類型。使用此數(shù)據(jù)集，可以自動(dòng)檢測二進(jìn)制分類任務(wù)。

Neuton：任務(wù)類型

?

• Metric用于在訓(xùn)練期間監(jiān)控和衡量模型的性能。對(duì)于此實(shí)驗(yàn)，您使用準(zhǔn)確度指標(biāo)：它表示預(yù)測類別的準(zhǔn)確度。值越高，模型越好。

Neuton：公制

?

• 啟用TinyML選項(xiàng)以允許Neuton為微控制器構(gòu)建微型模型。

Neuton：TinyML 選項(xiàng)

?

• 在 TinyML 設(shè)置頁面中，在下拉菜單中選擇“ 8-bit ”并啟用“ Float datatype support”選項(xiàng)。這是因?yàn)閷?shí)驗(yàn)中使用的微控制器是支持浮點(diǎn)數(shù)的 8 位 MCU。

Neuton：TinyML 設(shè)置

?

• 按下“開始訓(xùn)練”按鈕后，您將看到過程進(jìn)度條和完成百分比。

Neuton：培訓(xùn)開始

?

• 第一步是數(shù)據(jù)預(yù)處理。這是準(zhǔn)備（清理、組織、轉(zhuǎn)換等）原始數(shù)據(jù)集以使其適合訓(xùn)練和構(gòu)建 ML 模型的過程。
• 數(shù)據(jù)預(yù)處理完成后，模型訓(xùn)練開始。該過程可能需要很長時(shí)間；您可以關(guān)閉窗口并在該過程完成后返回。在訓(xùn)練期間，您可以通過觀察模型狀態(tài)（“一致”或“不一致”）和目標(biāo)指標(biāo)值來監(jiān)控實(shí)時(shí)模型性能。

Neuton：數(shù)據(jù)預(yù)處理完成

?

• 培訓(xùn)完成后，“狀態(tài)”將變?yōu)椤?/font>培訓(xùn)完成” 。模型是一致的并且已經(jīng)達(dá)到了最好的預(yù)測能力。

Neuton：訓(xùn)練完成

?

2.3. 預(yù)測：結(jié)果分析和模型下載

Neuton：訓(xùn)練完成

?

訓(xùn)練過程完成后，您將被重定向到?預(yù)測?部分。在本次實(shí)驗(yàn)中，模型的準(zhǔn)確率達(dá)到了98% 。這意味著從 100 條預(yù)測記錄中，有 98 條被分配到了正確的類別……這令人印象深刻！

此外，要嵌入的模型大小小于3KB 。這是一個(gè)非常小的尺寸，考慮到使用的Arduino板的內(nèi)存大小為256KB ，而 8 位微控制器的典型內(nèi)存大小為64KB÷256KB 。

Neuton：指標(biāo)

?

要下載模型存檔，請(qǐng)單擊“下載”按鈕。

Neuton：預(yù)測選項(xiàng)卡

?

3.在Arduino上部署模型

從Neuton下載的模型存檔包括以下文件和文件夾：

• /模型：緊湊形式（十六進(jìn)制和二進(jìn)制）的神經(jīng)網(wǎng)絡(luò)模型。
• / neuton ：一組用于執(zhí)行預(yù)測、計(jì)算、數(shù)據(jù)傳輸、結(jié)果管理等的函數(shù)。
• user_app.c ：一個(gè)文件，您可以在其中設(shè)置應(yīng)用程序的邏輯以管理預(yù)測。

首先，修改user_app.c文件，添加函數(shù)以初始化模型并運(yùn)行推理。

/*
 * Function: model_init
 * ----------------------------
 *
 *   returns: result of initialization (bool)
 */
uint8_t model_init() {
   uint8_t res;

   res = CalculatorInit(&neuralNet, NULL);

   return (ERR_NO_ERROR == res);
}

/*
 * Function: model_run_inference
 * ----------------------------
 *
 *   sample: input array to make prediction
 *   size_in: size of input array
 *   size_out: size of result array
 *
 *   returns: result of prediction
 */
float* model_run_inference(float* sample, 
                           uint32_t size_in, 
                           uint32_t *size_out) {
   if (!sample || !size_out)
      return NULL;
   if (size_in != neuralNet.inputsDim)
      return NULL;

   *size_out = neuralNet.outputsDim;

   return CalculatorRunInference(&neuralNet, sample);
}

之后，您創(chuàng)建user_app.h頭文件以允許主應(yīng)用程序使用用戶函數(shù)。

uint8_t model_init();
float*  model_run_inference(float* sample, 
                            uint32_t size_in, 
                            uint32_t* size_out);

下面是主要應(yīng)用程序的Arduino草圖：

• 模型初始化

#include "src/Gesture Recognition_v1/user_app.h"

void setup() {
   // init serial port and IMU sensor
   // [...]
   
   // init Neuton neural network model
   if (!model_init()) {
      Serial.print("Failed to initialize Neuton model!");
      while (1) {
        delay(10);
      }
   }
}

• 模型推斷

#define GESTURE_ARRAY_SIZE  (6*NUM_SAMPLES+1)

void loop() {
   sensors_event_t a, g, temp;
   float gestureArray[GESTURE_ARRAY_SIZE]  = {0};
   
   // wait for significant motion
   // [...]
   
   // read samples of the detected motion
   while (samplesRead < NUM_SAMPLES) {
      // read the acceleration and gyroscope data
      mpu.getEvent(&a, &g, &temp);
      
      // fill gesture array (model input)
      gestureArray[samplesRead*6 + 0] = a.acceleration.x;
      gestureArray[samplesRead*6 + 1] = a.acceleration.y;
      gestureArray[samplesRead*6 + 2] = a.acceleration.z;
      gestureArray[samplesRead*6 + 3] = g.gyro.x;
      gestureArray[samplesRead*6 + 4] = g.gyro.y;
      gestureArray[samplesRead*6 + 5] = g.gyro.z;
    
      samplesRead++;
    
      delay(10);
   
      // check the end of gesture acquisition
      if (samplesRead == NUM_SAMPLES) {
         uint32_t size_out = 0;
      
         // run model inference
         float* result = model_run_inference(gestureArray,  
                                             GESTURE_ARRAY_SIZE, 
                                             &size_out);
         // check if model inference result is valid
         if (result && size_out) {
            // check if problem is binary classification
            if (size_out >= 2) { 
               // check if one of the result has >50% of accuracy
               if (result[0] > 0.5) {
                  Serial.print("Detected gesture: 0"); 
                  // [...]
               } else if (result[1] > 0.5) {
                  Serial.print("Detected gesture: 1"); 
                  // [...]
               } else { 
                  // solution is not reliable
                  Serial.println("Detected gesture: NONE");
               } 
            }
         }
     }
   }
}

模型在行動(dòng)！

/neuton_gesturerecognition
 |- /src
 | |- /Gesture Recognition_v1
 |   |- /model
 |   |- /neuton
 |   |- user_app.c
 |   |- user_app.h
 |- neuton_gesturerecognition.ino

現(xiàn)在，是時(shí)候看看預(yù)測模型的實(shí)際應(yīng)用了！

• 驗(yàn)證硬件系統(tǒng)是否正確設(shè)置
• 打開主應(yīng)用程序文件
• 單擊“驗(yàn)證”按鈕，然后單擊“上傳”一個(gè)
• 打開串行監(jiān)視器
• 抓住你的硬件系統(tǒng)并執(zhí)行一些動(dòng)作。

對(duì)于每個(gè)檢測到的運(yùn)動(dòng)，模型將嘗試猜測運(yùn)動(dòng)是什么類型（0 -punch或 1 -flex ）以及預(yù)測的準(zhǔn)確度。如果預(yù)測的準(zhǔn)確度較低（0.5 ），則模型不會(huì)做出決定。

下面是模型推理執(zhí)行的示例：

Neuton 手勢識(shí)別系統(tǒng)的串口監(jiān)視器輸出

?

而且..僅此而已！