• 數(shù)據(jù)收集和實時分析是通過邊緣數(shù)據(jù)庫JoinBase完成的。

與 PostgreSQL 或 TimescaleDB 等常見數(shù)據(jù)庫不同，JoinBase 直接接受 MQTT 消息。與云服務不同，JoinBase支持運行在邊緣，可以在沒有網(wǎng)絡的環(huán)境下使用。最后，JoinBase 可免費用于商業(yè)用途，這也有利于邊緣平臺的進一步發(fā)展。

準備數(shù)據(jù)集

“animals-80”數(shù)據(jù)集的整體

?

目前，針對野生動物或動物的工作邊緣 AI 的公開研究并不多。使用了少數(shù)公開可用的動物數(shù)據(jù)集之一——來自 Kaggle 的動物檢測圖像數(shù)據(jù)集（稱為“animals-80”數(shù)據(jù)集）。它包含 9.6GB 圖像中的 80 只動物，對于常見的動物識別任務應該足夠了。

準備訓練數(shù)據(jù)

animals-80 數(shù)據(jù)集的好處是它已經(jīng)被標記了。但是原始標簽格式不是Yolov5標簽格式。已經(jīng)進行了準備工作。核心部分就是上圖的預處理函數(shù)。請稍后的代碼回購以獲得更多信息。

火車

因為我們沒有足夠的資源來對完整的 9.6GB 訓練進行完整的訓練。因此，選擇了animals-80數(shù)據(jù)集的一個子集。

• 15-動物子集訓練

?

?

?

?

1 / 2 ? 15-動物子集訓練

?

我們使用 24c/48T Xeon Platinum 8260 處理器使用上面從官方示例中獲得的命令進行訓練。

python3 train.py --img 192 --batch 32 --epochs 200 --data data/animal.yaml --cfg yolov5n6-xiao.yaml --weights yolov5n6-xiao.pt --name animals --cache --project runs/train2

然而，兩個小時后（是的，再次證明Don't use CPU to train even is a top Xeon SP），發(fā)現(xiàn)最后的識別效果很差。

主要指標非常低：精度為 0.6，召回率和 mAP_0.5 都在 0.3 左右。

事實上，這個結果接近于不起作用。

• 4-動物子集訓練

讓我們將可識別的動物種類減少為四種：蜘蛛、鴨子、喜鵲和蝴蝶，這當然是郊區(qū)野外最常見的動物。

注意，重新運行準備腳本以生成正確的data/animal.yaml.

?

?

?

?

1 / 2 ? 4-動物子集訓練

?

主要指標變得更好：精度約為 0.81，召回率和 mAP_0.5 約為 0.6。

我們將在后期推理試驗和評估中回顧該模型的性能。可以只進行二元分類：一種動物和一種動物。但在這個項目中，我更期待在更復雜的場景下評估識別效果。

• YoLov5官方預訓練模型的 4 動物子集訓練

以上訓練均由Seeed官方文檔推薦完成。預訓練模型yolov5n6-xiao可能缺乏良好的泛化能力。在這個項目中，我們嘗試了一個 YoLOv5 官方最小的預訓練模型yolov5n6，看看是否有一些差異。

使用官方 yolov5n6 模型進行 4 動物子集訓練

?

上面的結果是從官方yolov5n6模型中得到的epochs=150.結果很好。因為，

主要指標：precision、recall 和 mAP_0, 5 均大于 0.9。在 ML 中，mAP_0.5 在 0.6 和 0.9 之間的差異在現(xiàn)實世界的檢測中是巨大而巨大的。

不幸的是，基于官方訓練的最終模型yolov5n6接近4MB，而Grove AI模塊的約束模型大小不超過1MB。因此，我們不能使用任何此類更大的模型（已嘗試）。一些建議將在最后一節(jié)中討論。 推論

仿真中檢測的三個例子

?

經(jīng)過以上訓練，我們進行圖片仿真，初步評估模型的效果。讓我們看例子。

以上是 Grove AI 模塊的輸出。分類指數(shù)在中間，置信度在旁邊。對應指標的動物名稱可以在上面的訓練圖中看到。

第一次和第二次檢測是正確的，第三次檢測是錯誤的。第三張圖是一只喜鵲在天上飛，推理結果是蝴蝶。我們只是在后面的real-wprld評估中看到這個分類模型的影響。

真實世界評估

現(xiàn)實世界中的推理比實驗室中的推理更具挑戰(zhàn)性。因為測試時所處的環(huán)境或測試者或被測對象的狀態(tài)都會對結果產(chǎn)生很大的影響。這就是我們在工作流程部分進行規(guī)劃的原因。

我們通過TinyWild 項目中的郊野公園野生動物調(diào)查進行了真實世界的評估。執(zhí)行兩種類型的檢測：

• 基于動態(tài)視口（移動相機）的檢測

整個調(diào)查的分類統(tǒng)計（置信度>75）

?

上圖是整個調(diào)查的分類統(tǒng)計（置信度>75）。相機移動的時間很長。因此，這是一個基于動態(tài)視口（移動相機）的檢測。源于軟件邏輯的“未知”和空動物已被排除在外。

基本結論是，對于個體識別來說，不是特別理想，但是收集到的定性信息是有效的。

Bufferfly在統(tǒng)計上相對突出，但沒有在公園里見過很多次的Magpie。

這似乎是喜鵲被識別為緩沖蠅，如上面推理部分的分析所示。它們的共同點是，它們經(jīng)常在空中飛行。三個真實世界的因素：移動的相機、移動的物體和低分辨率，對識別結果有很大的影響。

• 基于靜態(tài)視口（靜態(tài)相機）的檢測

為減少移動因素的影響，還在湖邊開展了野鴨（野鴨）專項觀測。

在上面的第一個捕獲中，我們前端 UI 中鴨子的數(shù)量（其中一個有趣的地方是 UI 中的動態(tài)表是由 SQL 查詢驅動的，請參閱我們未來項目中的更多信息）。突然，兩個鴨子游入鏡頭范圍。鴨子的數(shù)量已經(jīng)增加到13?？紤]到原來的鴨子是被數(shù)過的，13是當時精確的數(shù)。發(fā)現(xiàn)Grove AI 對附近的動物檢測非常有效，就像我們在湖邊所做的那樣：當三只鴨子突然以相對靜態(tài)定位游入相機范圍時，我們得到了三個計數(shù)。（注：在TinyWild項目中，我們說有四項計數(shù)，但根據(jù)我們的錄音應該更正為三項計數(shù)。）

建議

基于以上實踐，我們針對廉價邊緣人工智能硬件上的 EdgeML 或 TinyML給出以下建議：

• 嘗試靜態(tài)觀察

即觀察者不做大動作。

• 檢測盡可能少的物體

例如，只做二元分類：人或沒有人，猴子或沒有猴子，鳥或沒有鳥。

• 使模型的主要指標盡可能大

例如，precision > 0.8，recall 和 mAP_0.5 > 0.6。

• 盡可能提高識別準確率（比如，更長的訓練時間）

廉價的邊緣 ML 硬件通常資源有限，例如 Grove AI 模塊的約束模型大小不超過 1MB，低于 yolov5 官方 yolov5n 預訓練網(wǎng)絡訓練的模型大小。發(fā)現(xiàn)較小的模型會顯著影響模型的主要指標。