本帖最后由 gada888 于 2022-9-30 22:28 编辑
这是即tinyML开篇之后的实战篇篇一。开篇那个帖子列出了微机器学习所需要用的软硬件和跑通流程。感兴趣的可以去参考一下。这一篇进入实作内容。来一个手势辨识。
这次硬件仍然用WIO terminal作为主控。
TinyML 的 tiny 代表 ML 模型已针对低功耗的微型装置进行最佳化，但是 Arduino初级系列的各种 MCU 的算力不足。所以用了ARM系列的大算力MCU来干活，
TinyML的常见应用如下：
这次做剪刀、石头、布的光线遮断样式不同来区分，做一个很小的数据集，每个种类做10个样本。一共30个样本。虽然样本量极小，有欠拟合的风险，但是可以通过增加样本来进行调整。
需要执行以下命令
Wio Terminal
注册Edge Impulse
PC端安装Arduino IDE 2.0
https://files.seeedstudio.com/ar ... o_boards_index.json
Node.js 1.6
安装edge impulse CLI tool 上传资料
npm install -g edge-impulse-cli
1.  Wio terminal 上传单笔资料到  Edge Impulse
2.  把资料整理到不同类别，反覆操作
3.  设计 Impulse：资料处理、定义模型
4.  测试神经网路效能、修改、重复
5.  汇出神经网路档案
6. 透过 Arduino IDE 烧录至 Wio
7. Wio 执行离线推论，完成！
Edge Impulse的训练流程如下
Impulse design
Create impulse
Raw data
NN Classifier
Retrain model
Live classification
Deployment
接下来面对自己写代码还是用Seeed的官方firmware。后者可以更快的上手。以上传firmware为例
先上传 firmware
再于 cmd 中执行 edge-impulse-daemon --clean
清除设定后进入新的专案(需要重新登入)
然后由EdgeImpulse网站Data acquision的下拉式选单
选择许多wio 已支援的传感
我们收集了训练模型所需的数据样本。然后送入神经网络，并对数据进行预处理。有时我们只是重新缩放数据，可以将 0 到 1000 范围内的值转换为 0 到 1 范围内的值 - 因为神经网络处理较小的数字比处理较大的数字表现更好。 TinyML 中使用的神经网络参数数量小（数字神经元之间的连接），所以我们经常还应用更复杂的预处理技术从 Raw 中提取所谓的特征数据，这加快了训练过程。
神经网络由输入层，隐藏层和输出层组成，大家先了解个大概，细讲1个小时讲不完。简单说，神经网络通过自己的框架把输入的数据的特征找出来。
static unsigned long last_interval_ms = 0;
float light;
if (millis() > last_interval_ms + INTERVAL_MS) {
last_interval_ms = millis();
light = analogRead(WIO_LIGHT);
Serial.println(light);
//Serial.print('\t');
把上述代码插入到static_buffer.ino里面去。然后上传，就得到最后的结果了。static_buffer.ino是从edgeimpulse里导出的给arduino的.zip文件里的。