ከ Sipeed MaiX ቦርዶች (Kendryte K210) ጋር የነገር መለየት 6 ደረጃዎች

2024 ደራሲ ደራሲ: John Day | [email protected]. ለመጨረሻ ጊዜ የተሻሻለው: 2024-01-30 07:29

ከሴፔድ ማይኤክስ ቦርዶች ጋር ስለ ምስል እውቅና ስለቀድሞው ጽሑፌ እንደቀጠልኩ ፣ በነገር መለየት ላይ በማተኮር ሌላ መማሪያ ለመጻፍ ወሰንኩ። ለኬድ ኮምፒተር ፣ የ M5 ቁልል M5StickV እና DFRobot's HuskyLens (ምንም እንኳን ያ የባለቤትነት firmware ቢኖረውም እና ለጀማሪዎች የበለጠ የታለመ) ጨምሮ ከኬንድሪቴ K210 ቺፕ ጋር በቅርቡ የሚስብ ሃርድዌር ብቅ አለ። በርካሽ ዋጋው ምክንያት ፣ Kendryte K210 በፕሮጀክቶቻቸው ላይ የኮምፒተር እይታን ለመጨመር በመመኘት ለሰዎች ይግባኝ ብሏል። ነገር ግን እንደተለመደው በቻይና የሃርድዌር ምርቶች ፣ የቴክኖሎጂ ድጋፍ ይጎድላል እና ይህ በጽሑፎቼ እና በቪዲዮዎቼ ለማሻሻል እየሞከርኩ ያለ ነገር ነው። ግን ያስታውሱ ፣ እኔ በኬንድሪቴ ወይም በሲፔድ ገንቢዎች ቡድን ውስጥ እንዳልሆንኩ እና ከምርታቸው ጋር የተዛመዱትን ጥያቄዎች በሙሉ መመለስ እንደማልችል ያስታውሱ።

ይህን በአእምሯችን ይዘን እንጀምር! የነገር ማወቂያ ሲኤንኤን ሞዴሎች እንዴት እንደሚሠሩ በአጭሩ (እና ቀለል ባለ) አጠቃላይ እይታ እንጀምራለን።

አዘምን ግንቦት 2020: ከ K210 ቦርዶች ጋር በ Object Detection ላይ ያለኝ መጣጥፍ እና ቪዲዮ አሁንም በጣም ተወዳጅ እና በ YouTube እና Google ላይ ካሉ ከፍተኛ ውጤቶች መካከል ፣ ጽሑፉን ለማዘመን ወሰንኩ ስለ ኤክስኤሌሬቴ ፣ በኬራስ ላይ የተመሠረተ ለኤአይአይ ማዕቀፍ መረጃን በ ጠርዝ እኔ ማዳበር። aXeleRate ፣ በመሠረቱ የምስል ማወቂያ/የነገር ማወቂያ ሞዴሎችን ለማሰልጠን ከተጠቀምኩባቸው የስክሪፕቶች ስብስብ ላይ የተመሠረተ ነው - ወደ አንድ ማዕቀፍ ተጣምሮ በ Google Colab ላይ ለስራ ፍሰት የተመቻቸ። ለመጠቀም የበለጠ አመቺ እና የበለጠ ወቅታዊ ነው።

ለጽሑፉ አሮጌ ስሪት አሁንም በ steemit.com ላይ ማየት ይችላሉ።

ደረጃ 1 የነገር መፈለጊያ ሞዴል አርክቴክቸር ተብራርቷል

የምስል ለይቶ ማወቅ (ወይም የምስል ምደባ) ሞዴሎች መላውን ምስል እንደ ግብዓት ወስደው ልናውቀው እየሞከርን ላለው ለእያንዳንዱ ክፍል የእድሎች ዝርዝርን ያወጣል። እኛ የምንፈልገው ነገር የምስሉን ትልቅ ክፍል ቢይዝ እና ስለቦታው ብዙም ግድ ከሌለን በጣም ጠቃሚ ነው። ግን የእኛ ፕሮጀክት (ይላሉ ፣ የፊት መከታተያ ካሜራ) በምስሉ ውስጥ ስላለው የነገር ዓይነት ዕውቀት ብቻ ሳይሆን መጋጠሚያዎቹንም ቢያስፈልገን። እና ብዙ ነገሮችን ለይቶ ማወቅን (ለምሳሌ ለመቁጠር) ፕሮጀክትስ?

የነገር ማወቂያ ሞዴሎች በጥሩ ሁኔታ ሲመጡ እነሆ። በዚህ ጽሑፍ ውስጥ YOLO ን (አንድ ጊዜ ብቻ ይመለከታሉ) ሥነ -ሕንፃን እንጠቀማለን እና ማብራሪያውን በዚህ ልዩ ሥነ -ሕንፃ ውስጣዊ ሜካኒኮች ላይ እናተኩራለን።

በስዕሉ ውስጥ ምን ዕቃዎች እንዳሉ እና የእነሱ መጋጠሚያዎች ምን እንደሆኑ ለመወሰን እየሞከርን ነው። የማሽን ትምህርት አስማት አይደለም እና “የማሰብ ማሽን” አይደለም ፣ ግን አንድን ችግር በተሻለ ለመፍታት ተግባሩን (የነርቭ አውታረመረብ) ለማመቻቸት ስታቲስቲክስን የሚጠቀም ስልተ ቀመር ብቻ ነው። ይህንን ችግር የበለጠ “አመቻች” ለማድረግ እሱን መግለፅ አለብን። እዚህ ላይ የዋህነት አቀራረብ በግምገማው እና በትክክለኛው የነገሮች መጋጠሚያዎች መካከል ያለውን ኪሳራ (ልዩነት) መቀነስ ስልተ ቀመር ነው። በምስሉ ውስጥ አንድ ነገር እስካለን ድረስ ያ በጥሩ ሁኔታ ይሠራል። ለበርካታ ነገሮች የተለየ አካሄድ እንይዛለን - ፍርግርግ እንጨምራለን እና አውታረ መረባችን በእያንዳንዱ ፍርግርግ ውስጥ የነገ (ቶች) መኖር (ወይም አለመኖር) እንዲተነብይ እናደርጋለን። በጣም ጥሩ ይመስላል ፣ ግን አሁንም ለአውታረ መረቡ በጣም ብዙ አለመተማመንን ይተዋል - ትንበያውን እንዴት ማውጣት እና በአንድ ፍርግርግ ሴል ውስጥ ብዙ ዕቃዎች ሲኖሩ ምን ማድረግ እንዳለበት? አንድ ተጨማሪ እገዳ ማከል አለብን - ስለዚህ መልሕቆች ይባላሉ። መልህቆች የመጀመሪያ መጠኖች (ስፋት ፣ ቁመት) አንዳንዶቹ (ከእቃው መጠን በጣም ቅርብ የሆነው) ወደ ነገሩ መጠን ይቀየራሉ - ከአንዳንድ የነርቭ አውታረመረብ (የመጨረሻ የባህሪ ካርታ) የተወሰኑ ውጤቶችን በመጠቀም።

ስለዚህ ፣ የ YOLO ሥነ-ሕንፃ የነርቭ አውታረ መረብ በምስሉ ላይ የነገር ማወቂያን ሲያከናውን ምን እየተደረገ እንዳለ የከፍተኛ ደረጃ እይታ እዚህ አለ። በባህሪ አውጪ አውታር በተገኙት ባህሪዎች መሠረት ለእያንዳንዱ ፍርግርግ ሴል የትንበያዎች ስብስብ ይዘጋጃል ፣ ይህም መልህቆችን ማካካሻ ፣ የመልህቅን ዕድል እና መልህቅን ክፍል ያጠቃልላል። ከዚያ ትንበያዎቹን በዝቅተኛ ዕድል እና በድምፅ እንጥላለን!

ደረጃ 2 አካባቢን ያዘጋጁ

aXeleRate በ penny4860 ፣ SVHN yolo-v2 አሃዝ መመርመሪያ በሚያስደንቅ ፕሮጀክት ላይ የተመሠረተ ነው። aXeleRate ይህንን የ YOLO መመርመሪያን በኬራስ ውስጥ ወደሚቀጥለው ደረጃ የሚወስድ እና የምስል ማወቂያ/የነገር ማወቂያ እና የምስል ክፍፍል አውታሮችን ከተለያዩ የኋላ ጀርባ ሥልጠና እና ልወጣ ለማከናወን ምቹ የውቅረት ስርዓቱን ይጠቀማል።

AXeleRate ን ለመጠቀም ሁለት መንገዶች ለመሆን - በአከባቢው በኡቡንቱ ማሽን ወይም በ Google Colab ውስጥ መሮጥ። በ Google Colab ውስጥ ለማሄድ ይህንን ምሳሌ ይመልከቱ-

PASCAL-VOC Object Detection Colab ማስታወሻ ደብተር

ሞዴልዎን በሀገር ውስጥ ማሰልጠን እና በሃርድዌር ማፋጠን ስራ ላይ እንዲውል መላክ አሁን በጣም ቀላል ነው። ፕሮጀክትዎን ከሌሎች እንዲለዩ እና ግጭቶችን ለማስወገድ በአናኮንዳ አካባቢ ውስጥ ሁሉንም አስፈላጊ ጥገኞች እንዲጭኑ እመክርዎታለሁ።

መጫኛውን እዚህ ያውርዱ።

መጫኑ ከተጠናቀቀ በኋላ አዲስ አካባቢ ይፍጠሩ

conda ፍጠር -n yolo Python = 3.7

አዲሱን ከባቢ እናግብረው

conda yolo ን ያግብሩ

ከባሽ shellልዎ በፊት ቅድመ -ቅጥያ በአከባቢው ስም ይታያል ፣ ይህም በዚያ አካባቢ ውስጥ አሁን መሥራትዎን ያመለክታል።

በአከባቢዎ ማሽን ላይ aXeleRate ን ይጫኑ

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

እና ከዚያ ለስልጠና እና ለማሰብ የሚያስፈልጉዎትን እስክሪፕቶች ለማውረድ ይህንን ያሂዱ

git clone

በ aXeleRate አቃፊ ውስጥ በፈተናዎች_training.py ፈጣን ሙከራዎችን ማካሄድ ይችላሉ። ለእያንዳንዱ የሞዴል ዓይነት ሥልጠና እና ግንዛቤን ያካሂዳል ፣ የሰለጠኑ ሞዴሎችን ይቆጥባል እና ይለውጣል። ለ 5 ዘመናት ብቻ ሥልጠና ስለሆነ እና የውሂብ ስብስብ በጣም ትንሽ ስለሆነ ፣ ጠቃሚ ሞዴሎችን ማግኘት አይችሉም ፣ ግን ይህ ስክሪፕት ስህተቶችን አለመኖሩን ለመፈተሽ ብቻ የታሰበ ነው።

ደረጃ 3 የነገር መፈለጊያ ሞዴልን ከኬራስ ጋር ያሠለጥኑ

አሁን በማዋቀሪያ ፋይል የስልጠና ስክሪፕት ማካሄድ እንችላለን። የ YOLO የነገር መመርመሪያን Keras መተግበር በጣም የተወሳሰበ ስለሆነ እያንዳንዱን የሚመለከተውን የኮድ ቁራጭ ከማብራራት ይልቅ እርስዎ እራስዎ በእነሱ ላይ አንዳንድ ለውጦችን ማድረግ ከፈለጉ ስልጠናውን እንዴት እንደሚያዋቅሩ እና እንዲሁም ተገቢ ሞጁሎችን እንደሚገልጹ እገልጻለሁ።

በአሻንጉሊት ምሳሌ እንጀምር እና የራኮን መመርመሪያን እናሠለጥን። በ /ውቅር አቃፊ ፣ raccoon_detector.json ውስጥ የውቅር ፋይል አለ። እኛ MobileNet7_5 ን እንደ ሥነ ሕንፃ እንመርጣለን (7_5 የመጀመሪያው የሞቢሌኔት ትግበራ የአልፋ ግቤት ፣ የአውታረ መረቡን ስፋት የሚቆጣጠር) እና 224x224 እንደ የግብዓት መጠን። በማዋቀሪያው ውስጥ በጣም አስፈላጊዎቹን መለኪያዎች እንመልከት -

ዓይነት የሞዴል ግንባር ነው - ክላሲፋየር ፣ ፈላጊ ወይም ሰግኔት አርክቴክቸር የሞዴል ጀርባ ነው (የባህሪ አውጪ)

- ሙሉ ዮሎ - ትንሹ ዮሎ - ሞባይል ኔት 1_0 - ሞባይልNet7_5 - ሞባይልኔት 5_0 - ሞባይልNet2_5 - SqueezeNet - VGG16 - ResNet50

ስለ መልሕቆች ተጨማሪ መረጃ ፣ እባክዎን እዚህ ያንብቡ

መለያዎች በእርስዎ የውሂብ ስብስብ ውስጥ ያሉ መለያዎች ናቸው። አስፈላጊ: እባክዎን በውሂብ ስብስብ ውስጥ ያሉትን ሁሉንም ስያሜዎች ይዘርዝሩ።

object_scale የነገር ትንበያዎች የመተማመን የተሳሳተ ትንበያ ምን ያህል እንደሚቀጣ ይወስናል

የ no_object_scale የነገር ያልሆኑ ትንበያዎች የመተማመን የተሳሳተ ትንበያ ምን ያህል እንደሚቀጣ ይወስናል

coord_scale የተሳሳተ አቀማመጥ እና የመጠን ትንበያዎች (x ፣ y ፣ w ፣ h) ምን ያህል እንደሚቀጡ ይወስናል

class_scale የተሳሳተ የክፍል ትንበያ ምን ያህል እንደሚቀጣ ይወስናል

ማጉላት - ከመጠን በላይ አለባበስን ለመከላከል እና በውሂብ ስብስብ ውስጥ የበለጠ ልዩነት እንዲኖር ለማድረግ ምስሉን ማሳደግ ፣ መጠኑን መለወጥ ፣ መለወጥ እና ማደብዘዝ።

train_times, validation_times - የውሂብ ስብስቡን ለመድገም ስንት ጊዜ። ጭማሪ ካለዎት ጠቃሚ

ነቅቷል

first_trainable_layer - አስቀድመው የሰለጠኑ የባህሪ አውታረ መረብ የሚጠቀሙ ከሆነ የተወሰኑ ንብርብሮችን ለማቀዝቀዝ ያስችልዎታል

አሁን 150 የተብራሩ ስዕሎችን የያዘ በራሴ ማወቂያ የውሂብ ስብስብ በ Google Drive (ኦሪጅናል የውሂብ ስብስብ) ላይ ያጋራሁትን የውሂብ ስብስብ ማውረድ አለብን።

በውቅረት ፋይል (train_image_folder ፣ train_annot_folder) ውስጥ መስመሮችን መለወጥዎን ያረጋግጡ እና ከዚያ ስልጠናውን በሚከተለው ትዕዛዝ ይጀምሩ።

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

train.py ውቅረቱን ከ.json ፋይል ያነባል እና ሞዴሉን በአክስሌቴሬት/አውታረመረቦች/ዮሎ/ዮሎ_frontend.py ስክሪፕት ያሠለጥናል። yolo/backend/loss.py ብጁ ኪሳራ ተግባር የሚተገበርበት እና yolo/backend/network.py ሞዴሉ የተፈጠረበት (ግቤት ፣ የባህሪ አውጪ እና የማወቂያ ንብርብሮች አንድ ላይ የተቀመጡበት) ነው። axelerate/networks/common_utils/fit.py የስልጠና ሂደትን ተግባራዊ የሚያደርግ ስክሪፕት ሲሆን አክስሌቴሬት/ኔትወርኮች/common_utils/feature.py የባህሪ አውጪዎችን ይ containsል። በ K210 ቺፕ እና በማይክሮፕቶን firmware አማካኝነት የሰለጠነ ሞዴልን ለመጠቀም ካሰቡ ፣ በማስታወስ ውስንነት ምክንያት በሞባይል አውታረ መረብ (2_5 ፣ 5_0 እና 7_5) እና በ TinyYolo መካከል መምረጥ ይችላሉ ፣ ግን ሞባይል ኔት የተሻለ የማወቅ ትክክለኛነትን እንደሚሰጥ አግኝቻለሁ።

የመጫወቻ ምሳሌ ስለሆነ እና 150 የሬኮኖች ምስሎችን ብቻ ስለያዘ ፣ ምንም እንኳን ትክክለኝነት ከከዋክብት የራቀ ቢሆንም የስልጠናው ሂደት በጣም ፈጣን መሆን አለበት። ከሥራ ጋር ለተያያዘ ፕሮጀክት የትራፊክ ምልክት መመርመሪያን እና የቁጥር መመርመሪያን አሠልጥቻለሁ ፣ ሁለቱም የውሂብ ስብስቦች ከጥቂት ሺ በላይ የሥልጠና ምሳሌዎችን አካተዋል።

ደረጃ 4: ወደ.kmodel ቅርጸት ይለውጡት

በ aXeleRate ፣ የሞዴል መለወጥ በራስ -ሰር ይከናወናል - ይህ ምናልባት ከድሮው የስልጠና ስክሪፕቶች ስሪት ትልቁ ልዩነት ሊሆን ይችላል! በተጨማሪም በፕሮጀክት አቃፊ ውስጥ በጥሩ ሁኔታ የተቀመጡትን የአምሳያ ፋይሎች እና የሥልጠና ግራፍ ያገኛሉ። እንዲሁም የ vaiidation ትክክለኛነት አንዳንድ ጊዜ ለዕቃ ማወቂያ በሞዴል እውነተኛ ሽቶ ላይ ግምትን መስጠት አለመቻሉን አገኘሁ እና ለዚህም ነው ኤምአይኤን ለዕቃ ማወቂያ ሞዴሎች እንደ ማረጋገጫ መለኪያ ያከልኩት። ስለ mAP እዚህ የበለጠ ማንበብ ይችላሉ።

ኤምኤኤፒ ፣ አማካይ ትክክለኛነት (የእኛ የማረጋገጫ ልኬት) ለ 20 ዘመናት ካልተሻሻለ ሥልጠናው ያለጊዜው ያቆማል። MAP በተሻሻለ ቁጥር ሞዴሉ በፕሮጀክቱ አቃፊ ውስጥ ይቀመጣል። ሥልጠናው ካለቀ በኋላ ፣ aXeleRate ምርጡን ሞዴል በራስ -ሰር ወደተገለጹ ቅርጸቶች ይቀይራል - ከአሁን ጀምሮ “tflite” ፣ “k210” ወይም “edgetpu” ን መምረጥ ይችላሉ።

አሁን ወደ መጨረሻው ደረጃ ፣ በእውነቱ ሞዴላችንን በሲፔድ ሃርድዌር ላይ ማስኬድ!

ደረጃ 5 በማይክሮፎን firmware ላይ ያሂዱ

በእኛ የነገር ማወቂያ ሞዴል ከ ‹ሲ› ኮድ ጋር ማገናዘብ ይቻላል ፣ ግን ለምቾት ሲባል እኛ በምትኩ ማይክሮፕቶንቶን firmware እና MaixPy IDE ን እንጠቀማለን።

MaixPy IDE ን ከዚህ እና ማይክሮፎን firmware ን ከዚህ ያውርዱ። ሶፍትዌሩን ለማቃጠል ወይም የተለየ የ GUI ፍላሽ መሣሪያን እዚህ ለማውረድ የፓይዘን ስክሪፕት kflash.py ን መጠቀም ይችላሉ።

ሞዴል.kmodel ን ወደ ኤስዲ ካርድ ሥር ይቅዱ እና የ SD ካርድን ወደ Sipeed Maix Bit (ወይም ሌላ የ K210 መሣሪያ) ያስገቡ። በአማራጭ እርስዎ.kmodel ን ወደ መሣሪያ ፍላሽ ማህደረ ትውስታ ማቃጠል ይችላሉ። የእኔ ምሳሌ ስክሪፕት ያነባል.kmodel ከ ፍላሽ ማህደረ ትውስታ። ኤስዲ ካርድ እየተጠቀሙ ከሆነ ፣ እባክዎ ይህንን መስመር ይለውጡ

ተግባር = kpu.load (0x200000)

ወደ

ተግባር = kpu.load ("/sd/model.kmodel")

MaixPy IDE ን ይክፈቱ እና የግንኙነት ቁልፍን ይጫኑ። የ raccoon_detector.py ስክሪፕትን ከ ምሳሌ_ስክሪፕቶች/k210/መርማሪ አቃፊ ይክፈቱ እና የመነሻ ቁልፍን ይጫኑ። የታሰሩ ሳጥኖች ያሉት ከካሜራ የቀጥታ ዥረት ማየት አለብዎት… ደህና ፣ ራኮኖች። ተጨማሪ የሥልጠና ምሳሌዎችን በማቅረብ የአምሳያውን ትክክለኛነት ማሳደግ ይችላሉ ፣ ግን እሱ ተረት አነስተኛ ሞዴል (1.9 ሜ) መሆኑን እና ትናንሽ ዕቃዎችን (በዝቅተኛ ጥራት ምክንያት) ለመለየት ችግሮች እንደሚኖሩት ያስታውሱ።

በምስል ማወቂያ ላይ በቀደመው ጽሑፌ ላይ በአስተያየቶች ውስጥ ካገኘኋቸው ጥያቄዎች አንዱ የምርመራ ውጤቶችን በ UART/I2C ላይ ከ Sipeed የልማት ሰሌዳዎች ጋር ወደተገናኘ ሌላ መሣሪያ እንዴት መላክ እንደሚቻል ነው። በ github ማከማቻዬ ውስጥ ሌላ ምሳሌ ስክሪፕት ፣ raccoon_detector_uart.py ማግኘት ይችላሉ (እርስዎ እንደገመቱት) ራኮኖችን የሚለይ እና በ UART ላይ የታሰሩ ሳጥኖችን መጋጠሚያዎች ይልካል። ያስታውሱ ፣ ለ UART ግንኙነት ያገለገሉ ፒኖች ከተለያዩ ሰሌዳዎች የተለያዩ ናቸው ፣ ይህ በሰነዶች ውስጥ እራስዎን መፈተሽ ያለብዎት ነገር ነው።

ደረጃ 6: ማጠቃለያ

Kendryte K210 ውስን ማህደረ ትውስታ ቢኖርም ለኮምፒዩተር እይታ ፣ ተጣጣፊ ፣ ጠንካራ ቺፕ ነው። እስካሁን ድረስ በትምህርቶቼ ውስጥ ብጁ ዕቃዎችን ለመለየት ፣ ብጁ ነገሮችን ለመለየት እና አንዳንድ በ OpenMV ላይ የተመሠረተ የኮምፒተር እይታ ተግባሮችን ለማካሄድ እሱን ተጠቅመናል። እሱ እንዲሁ ለፊቱ ለይቶ ማወቅ ተስማሚ መሆኑን እና አውቃለሁ እና በጥቂቱ በማሰብ የአቀማመጥን እና የምስል ክፍፍል ማድረግ ይቻል ነበር (የትርጓሜ ክፍፍል ሞዴልን ለማሠልጠን ‹XeleRate› ን መጠቀም ይችላሉ ፣ ግን እኔ ከ K210 ጋር ያለውን ግንዛቤ ገና አልተገበርኩም). እርስዎ አስተዋፅዖ የሚያደርጉ አንዳንድ ማሻሻያዎች አሉ ብለው የሚያስቡ ከሆነ የ ‹XeleRate› ማከማቻ ማከማቻ ጉዳዮችን ለመመልከት እና PR ን ለመስራት ነፃነት ይሰማዎ!

ይህንን መማሪያ ለመፃፍ የተጠቀምኩባቸው አንዳንድ መጣጥፎች እዚህ አሉ ፣ ከነርቭ አውታረመረቦች ጋር ስለ ዕቃ ማወቂያ የበለጠ ለማወቅ ከፈለጉ ይመልከቱ።

የድንበር ሳጥን የነገር መመርመሪያዎች - ዮሎን መረዳት ፣ አንድ ጊዜ ብቻ ይመለከታሉ

YOLO ን መረዳት (የበለጠ ሂሳብ)

የ YOLO ነገር አካባቢያዊነት ከኬራስ ጋር እንዴት እንደሚሠራ ረጋ ያለ መመሪያ (ክፍል 2)

በእውነተኛ ጊዜ የነገር ማወቂያ ከ YOLO ፣ YOLOv2 እና አሁን YOLOv3 ጋር

በማሽን ራዕይ አማካኝነት አንዳንድ አስደናቂ ፕሮጄክቶችን ለመገንባት አሁን ያለዎትን እውቀት እንደሚጠቀሙ ተስፋ ያድርጉ! የ Sipeed ቦርዶችን እዚህ መግዛት ይችላሉ ፣ እነሱ በተካተቱ ስርዓቶች ላይ ለኤምኤል ከሚገኙት በጣም ርካሽ አማራጮች መካከል ናቸው።

ማንኛውም ጥያቄ ካለዎት በ LinkedIn ላይ ያክሉኝ እና ስለ ማሽን ትምህርት እና ሮቦቶች ስለተሳተፉ የበለጠ አስደሳች ፕሮጄክቶች ለማሳወቅ ለዩቲዩብ ጣቢያዬ ይመዝገቡ።