ዝርዝር ሁኔታ:
- ደረጃ 1 ሲኤንኤን እና የዝውውር ትምህርት -አንዳንድ ቲዎሪ
- ደረጃ 2 - አካባቢዎን ያዘጋጁ
- ደረጃ 3: AXeleRate ን ይጫኑ እና ሙከራዎችን ያሂዱ
- ደረጃ 4 ሞዴሉን እንደገና ያሠለጥኑ ፣ የኬራስ ሞዴልን ወደ.kmodel ይለውጡ
- ደረጃ 5 ሞዴሉን በ Sipeed Maix Bit ላይ ያሂዱ
- ደረጃ 6 መደምደሚያዎች
ቪዲዮ: የምስል እውቅና በ K210 ቦርዶች እና በአርዱዲኖ አይዲኢ/ማይክሮፎን 6 ደረጃዎች (ከስዕሎች ጋር)
2024 ደራሲ ደራሲ: John Day | [email protected]. ለመጨረሻ ጊዜ የተሻሻለው: 2024-01-30 07:30
በሲፔድ ማይክስ ቢት ላይ የ OpenMV ማሳያዎችን እንዴት ማሄድ እንደሚቻል አንድ ጽሑፍ ቀደም ብዬ ጽፌ ነበር እንዲሁም በዚህ ሰሌዳ የነገር ማወቂያ ማሳያ ቪዲዮም አደረግሁ። ሰዎች ከጠየቋቸው ብዙ ጥያቄዎች አንዱ - የነርቭ አውታረመረቡ ያልሠለጠነበትን ነገር እንዴት ማወቅ እችላለሁ? በሌላ አነጋገር የራስዎን የምስል አመዳደብ እንዴት እንደሚሠሩ እና በሃርድዌር ማፋጠን እንዴት እንደሚሮጡ።
ለፕሮጀክትዎ ምናልባት እንደ ድመቶች እና ውሾች እና አውሮፕላኖች ያሉ አንዳንድ አጠቃላይ ነገሮችን ማወቅ ስለማያስፈልግዎት ይህ ሊረዳ የሚችል ጥያቄ ነው። የተወሰነ ነገርን ፣ ለምሳሌ ፣ ለዚያ አውቶማቲክ የቤት እንስሳ በር ፣ ወይም ለመደርደር የእፅዋት ዝርያ ወይም ሌላ ሊያስቡበት የሚችሏቸው ሌላ መውጫ መተግበሪያዎችን ማወቅ ይፈልጋሉ!
ገባኝ! በዚህ ጽሑፍ ውስጥ በኬራስ ውስጥ በማስተላለፍ ትምህርት የእራስዎን ብጁ የምስል አመዳደብ እንዴት እንደሚፈጥሩ አስተምራለሁ ፣ የሰለጠነውን ሞዴል ወደ.kmodel ቅርጸት ይለውጡ እና ማይክሮፕቶን በመጠቀም ወይም ማንኛውንም በሰሌዳ ፣ ቢት/ዶክ ወይም ሂድ) ላይ ያሂዱ። አርዱዲኖ አይዲኢ። እናም በዚህ ዕውቀት ሊያከናውኗቸው የሚችሏቸው ተግባራት ገደብዎ የእርስዎ ቅinationት ብቻ ይሆናል።
አዘምን ግንቦት 2020-በ K210 ሰሌዳዎች የምስል ዕውቅና ላይ የእኔ ጽሑፍ እና ቪዲዮ አሁንም በጣም ተወዳጅ እና በዩቲዩብ እና ጉግል ላይ ካሉ ከፍተኛ ውጤቶች መካከል እንዴት እንደሆነ በማየት ጽሑፉን ለማዘመን ወሰንኩ። 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 ሲኤንኤን እና የዝውውር ትምህርት -አንዳንድ ቲዎሪ
የዝግመተ ለውጥ ነርቭ ኔትወርኮች ወይም ሲኤንኤን ብዙውን ጊዜ የእይታ ምስሎችን ለመተንተን የሚተገበሩ ጥልቅ የነርቭ አውታረ መረቦች ክፍል ነው። በርዕሱ ላይ በበይነመረብ ላይ ብዙ ጽሑፎች አሉ እና በአንቀጹ የመጨረሻ ክፍል ውስጥ አንዳንድ አገናኞችን እሰጣለሁ። በአጭሩ ፣ ሲኤንኤን በምስሉ ላይ የተተገበረ ፣ እያንዳንዱ ማጣሪያ በምስሉ ውስጥ አንድ የተወሰነ ባህሪን የሚፈልግ እንደ ተከታታይ ማጣሪያዎች አድርገው ሊያስቡት ይችላሉ - በዝቅተኛ የዝግመተ ለውጥ ንብርብሮች ላይ ባህሪያቱ ብዙውን ጊዜ መስመሮች እና ቀላል ቅርጾች እና ከፍ ባሉ ንብርብሮች ላይ ባህሪዎች ናቸው የበለጠ የተወሰነ ሊሆን ይችላል ፣ ለምሳሌ የአካል ክፍሎች ፣ የተወሰኑ ሸካራዎች ፣ የእንስሳት ወይም የዕፅዋት ክፍሎች ፣ ወዘተ. የተወሰኑ ባህሪዎች ስብስብ መኖሩ በምስሉ ውስጥ ያለው ነገር ምን ሊሆን እንደሚችል ፍንጭ ይሰጠናል። ሹክሹክታ ፣ ሁለት አይኖች እና ጥቁር አፍንጫ? ድመት መሆን አለበት! አረንጓዴ ቅጠሎች ፣ የዛፍ ግንድ? ዛፍ ይመስላል!
ስለ ሲኤንኤን የሥራ መርህ አሁን ሀሳቡን ያገኛሉ ብዬ ተስፋ አደርጋለሁ። የሚፈልጓቸውን የነገሮች ዓይነቶች ለመለየት የሚጠቅሙ ማጣሪያዎችን “ለማዳበር” በተለምዶ ጥልቅ የነርቭ አውታረ መረብ በሺዎች የሚቆጠሩ ሥዕሎችን እና የሥልጠና ጊዜን (ለስልጠና በሚጠቀሙበት ሃርድዌር ላይ የተመሠረተ) ይፈልጋል። ግን አቋራጭ መንገድ አለ።
ብዙ የተለያዩ የተለመዱ ነገሮችን (ድመቶች ፣ ውሾች ፣ የቤት ዕቃዎች ፣ መጓጓዣ ፣ ወዘተ) ለመለየት የሰለጠነ ሞዴል ቀድሞውኑ ብዙ “ጠቃሚ” ማጣሪያዎች አሏቸው ፣ ስለሆነም መሰረታዊ ቅርጾችን እና ክፍሎችን መለየት መማር አያስፈልገንም። የእቃዎቹ እንደገና። ለእኛ አስፈላጊ የሆኑትን የተወሰኑ የነገሮችን ክፍሎች ለመለየት የመጨረሻዎቹን የኔትወርኩን ንብርብሮች እንደገና ማሰልጠን እንችላለን። ይህ “ማስተላለፍ ትምህርት” ይባላል። ምናልባት ጥቂት መቶ የነርቭ ሴሎችን ያካተተ የኔትወርክ የመጨረሻዎቹን ጥቂት ንብርብሮች ብቻ እያሠለጠኑ ስለሆነ በጣም ያነሰ የሥልጠና መረጃ ያስፈልግዎታል እና ከዝውውር ትምህርት ጋር ጊዜን ያሰሉ።
ግሩም ይመስላል ፣ ትክክል? እንዴት እንደሚተገብረው እስቲ እንመልከት።
ደረጃ 2 - አካባቢዎን ያዘጋጁ
AXeleRate ን ለመጠቀም ሁለት መንገዶች ለመሆን - በአከባቢው በኡቡንቱ ማሽን ወይም በ Google Colab ውስጥ መሮጥ። በ Google Colab ውስጥ ለማሄድ ይህንን ምሳሌ ይመልከቱ-
የምስል ምደባ Colab ማስታወሻ ደብተር
ሞዴልዎን በአከባቢዎ ማሰልጠን እና በሃርድዌር ማፋጠን ስራ ላይ እንዲውል መላክ እንዲሁ አሁን በጣም ቀላል ነው።
የእኔ የሥራ ሁኔታ ኡቡንቱ 16.04 ፣ 64 ቢት ነው። ጂፒዩ ለስልጠና ስለማንጠቀም የኡቡንቱን ምስል ለማሄድ ምናባዊ ማሽንን መጠቀም ይችላሉ። በአንዳንድ ማሻሻያዎች አማካኝነት የስልጠና ስክሪፕቱን በዊንዶውስ ላይ ማስኬድ ይችላሉ ፣ ግን ለሞዴል መለወጥ የሊኑክስ ስርዓትን መጠቀም ያስፈልግዎታል። ስለዚህ ፣ ይህንን አጋዥ ስልጠና ለመተግበር ተመራጭ አከባቢው በአገር ውስጥ ወይም በምናባዊ ማሽን ውስጥ የሚሄድ ኡቡንቱ 16.04 ነው።
ለ Python የአካባቢ ሥራ አስኪያጅ የሆነውን ሚኒኮንዳ በመጫን እንጀምር። እኛ ገለልተኛ አካባቢ እንፈጥራለን ፣ ስለዚህ በስርዓትዎ ውስጥ ማንኛውንም ነገር በ Python አካባቢ ውስጥ አንለውጥም።
መጫኛውን እዚህ ያውርዱ
መጫኑ ከተጠናቀቀ በኋላ አዲስ አካባቢ ይፍጠሩ
conda ፍጠር -n ml ፓይዘን = 3.7
አዲሱን ከባቢ እናግብረው
conda ml ን ያግብሩ
ከባሽ shellልዎ በፊት ቅድመ -ቅጥያ በአከባቢው ስም ይታያል ፣ ይህም በዚያ አካባቢ ውስጥ አሁን መሥራትዎን ያመለክታል።
ደረጃ 3: AXeleRate ን ይጫኑ እና ሙከራዎችን ያሂዱ
በአከባቢዎ ማሽን ላይ aXeleRate ን ይጫኑ
pip install git+https://github.com/AIWintermuteAI/aXeleRate
ምሳሌዎችን ለማውረድ አሂድ ፦
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 4 ሞዴሉን እንደገና ያሠለጥኑ ፣ የኬራስ ሞዴልን ወደ.kmodel ይለውጡ
ለዚህ የመጫወቻ ምሳሌ እኛ ሳንታ ክላውስን እና አርዱዲኖ ኡኖን ለመለየት ሞዴሉን እናሠለጥናለን። በእርግጥ ሌሎች ትምህርቶችን መምረጥ ይችላሉ። የውሂብ ስብስቡን ከዚህ ያውርዱ። በማዋቀሪያ አቃፊ ውስጥ የ classifier.json ፋይል ቅጂ ይፍጠሩ ፣ ከዚያ በቅጽበታዊ ገጽ እይታ ውስጥ ካለው የውቅረት ፋይል ጋር ተመሳሳይ በሆነ መልኩ ይለውጡት - የሥልጠና እና የማረጋገጫ አቃፊዎች ዱካ ትክክል መሆኑን ያረጋግጡ!
የሚከተለውን ትዕዛዝ ከ aXeleRate አቃፊ ያሂዱ:
Python axelerate/train.py - c configs/santa_uno.json
ስልጠናው ይጀምራል። የማረጋገጫ ትክክለኛነት (የእኛ የማረጋገጫ ልኬት) ለ 20 ዘመናት ካልተሻሻለ ሥልጠናው ያለጊዜው ያቆማል። የማረጋገጫ ትክክለኛነት 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።
ደረጃ 5 ሞዴሉን በ Sipeed Maix Bit ላይ ያሂዱ
አሁን ያለዎትን ሞዴል በ Sipeed Maix ሃርድዌር ላይ ለማሄድ ሁለት መንገዶች አሉ ማይክሮፎን firmware እና አርዱዲኖ አይዲኢ። የማይክሮፎን ሃርድዌር ለመጠቀም ቀላል ነው ፣ ግን የሚገኝ ማህደረ ትውስታን ጉልህ ክፍል ይይዛል ፣ ስለዚህ ለሞዴሉ የቀረው ቦታ ትንሽ ነው። አርዱዲኖ አይዲኢ በመሠረቱ ሲ ኮድ ነው ፣ እሱም በጣም ቀልጣፋ እና አነስተኛ የማስታወስ አሻራ ያለው። የእኔ ሞዴል 1.9 ሜባ ብቻ ነው ፣ ስለሆነም ሁለቱም አማራጮች ለእሱ ይሰራሉ። ለትልቁ ነገር ሁሉ አርዱዲኖ አይዲኢን በመጠቀም ግምት ውስጥ ማስገባት ለሚፈልጉት ከማክሮፎቶን ጋር እስከ 2.9 ሜባ የሚደርሱ ሞዴሎችን መጠቀም ይችላሉ።
OpenMV IDE ን ከዚህ እና አነስተኛ ማይክሮፎን firmware ን ከዚህ ያውርዱ።
በ kflash_gui መሣሪያ አማካኝነት firmware ን ያቃጥሉ። በቅጽበታዊ ገጽ እይታ ላይ እንደሚታየው እርስዎም እንዲሁ ብልጭ ድርግም ለማድረግ የሰለጠነውን ሞዴል ለማቃጠል መምረጥ ይችላሉ። ወይም ወደ ኤስዲ ካርድ ይቅዱ (እንደዚያ ከሆነ ቅጂ። ወደ ኤስዲ ካርድ ሥር ይቅዱ እና የ SD ካርድን ወደ Sipeed Maix Bit ያስገቡ)
OpenMV IDE ን ይክፈቱ እና የግንኙነት ቁልፍን ይጫኑ። የ santa_uno.py ስክሪፕትን ከ ምሳሌ_ስክሪፕቶች አቃፊ ይክፈቱ እና የመነሻ ቁልፍን ይጫኑ። ከካሜራ የቀጥታ ዥረት ማየት አለብዎት እና ተከታታይ ተርሚናልን ከከፈቱ በራስ የመተማመን ውጤት ከፍተኛውን የምስል ማወቂያ ውጤት ያገኛሉ!
በአርዱዲኖ አይዲኢ ለመጠቀም በመጀመሪያ እዚህ የሰነድ ሰሌዳዎችን ወደ አርዱዲኖ አይዲኢ ለማከል ሂደቱን መከተል ያስፈልግዎታል ፣ እሱም እዚህ ተመዝግቧል። የእርስዎ የአርዱዲኖ አይዲኢ ስሪት ቢያንስ 1.8.12 መሆን አለበት። ሰሌዳዎቹን ካከሉ በኋላ የ mobilenet_v1_transfer_learning.ino ንድፉን ይክፈቱ እና ወደ Sipeed Maix Bit ይስቀሉት። በ SD ካርድ ላይ የአምሳያውን ስም ወደ “ሞዴል” ይለውጡ (ወይም በዚህ ስም ቅጂ ያድርጉ)። በስም.cpp ውስጥ የመለያ ስሞችን መለወጥ ይችላሉ። ከ Sipeed Maix ማያ ገጽ ላይ የቀጥታ ካሜራ ዥረት ከከፍተኛው የምስል ማወቂያ ውጤት ጋር ያሳያል።
ደረጃ 6 መደምደሚያዎች
በሲኤንኤን ርዕስ ላይ ለማንበብ እና ትምህርትን ለማስተላለፍ አንዳንድ ተጨማሪ ቁሳቁሶች እዚህ አሉ
Mobilenet እና Keras ን በመጠቀም ማስተላለፍ ማስተላለፍ ስለ ማስተላለፍ ትምህርት ታላቅ ማብራሪያ ፣ ይህ አጋዥ ስልጠና ከዚያ ጽሑፍ የተቀየረውን የኮዱን ስሪት ይጠቀማል።
ድመቶች እና ውሾች እና የዝግመተ ለውጥ የነርቭ አውታረ መረቦች ከሲኤንኤዎች በስተጀርባ ያሉትን መሠረታዊ ነገሮች ያብራራል እና አንዳንድ ማጣሪያዎችን በዓይነ ሕሊናዎ ይመለከታል። ከድመቶች ጋር!
በ Sipeed MaixPy እና MaixDuino ላይ ያሠለጥኑ ፣ ይለውጡ ፣ ሞባይል ኔት ያሂዱ! ሞቢሌኔት 1000 ክፍሎችን ከባዶ እንዴት ማሠልጠን እንደሚቻል ከ Sipeed ቡድን የመማሪያ ትምህርት (ምንም ማስተላለፍ ትምህርት የለም)። አስቀድመው የሰለጠኑ ሞዴላቸውን ማውረድ እና መሞከር ይችላሉ!
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።
የሚመከር:
ከ Sipeed MaiX ቦርዶች (Kendryte K210) ጋር የነገር መለየት 6 ደረጃዎች
ከ Sipeed MaiX ቦርዶች (Kendryte K210) ጋር የነገር ግኝት - ስለ ሲፒድ ማይኤክስ ቦርዶች ስለ ምስል ዕውቅና ያለኝ ቀዳሚ ጽሑፍ ቀጣይ እንደመሆኑ ፣ በነገር መለየት ላይ በማተኮር ሌላ መማሪያ ለመጻፍ ወሰንኩ። ኤስ
ከ Raspberry Pi ጋር የምስል ሂደት - OpenCV ን እና የምስል ቀለም መለያየት -4 ደረጃዎች መጫን
ከ Raspberry Pi ጋር የምስል ሂደት - OpenCV ን እና የምስል ቀለም መለያየትን በመጫን ላይ - ይህ ልጥፍ ከሚከተሉት በርካታ የምስል ማቀናጃ ትምህርቶች የመጀመሪያው ነው። አንድ ምስል የሚሠሩትን ፒክሰሎች ጠለቅ ብለን እንመለከታለን ፣ በ “Raspberry Pi” ላይ OpenCV ን እንዴት እንደሚጭኑ እንማራለን እንዲሁም አንድ ምስል ለመያዝ የሙከራ ስክሪፕቶችን እንጽፋለን እንዲሁም ደግሞ
ከ Esp 8266 Esp-01 ጋር በአርዱዲኖ አይዲኢ - በአርዱዲኖ ሀሳብ እና በፕሮግራም እስፓ ውስጥ የኤስ ቦርዶችን መትከል -4 ደረጃዎች
ከ Esp 8266 Esp-01 ጋር በአርዱዲኖ አይዲኢ | በአርዱዲኖ ኢዴ እና በፕሮግራም እስፕ ውስጥ የኤስ ቦርዶችን መትከል-በዚህ አስተማሪዎች ውስጥ በአርዱዲኖ አይዲ ውስጥ esp8266 ቦርዶችን እንዴት እንደሚጭኑ እና esp-01 ን እንዴት እንደሚሠሩ እና በውስጡ ኮድ እንደሚሰቅሉ እንማራለን። የኤስፕ ቦርዶች በጣም ተወዳጅ ስለሆኑ አስተማሪዎችን ስለማስተካከል አሰብኩ። ይህ እና አብዛኛዎቹ ሰዎች ችግር ያጋጥማቸዋል
Raspberry Pi ላይ TensorFlow ጋር የምስል እውቅና: 6 ደረጃዎች
Raspberry Pi ላይ በ TensorFlow የምስል ዕውቅና:-Google TensorFlow የውሂብ ፍሰት ግራፎችን በመጠቀም ለቁጥር ስሌት ክፍት ምንጭ ሶፍትዌር ቤተ-መጽሐፍት ነው። በተለያዩ የማሽን መማሪያ እና ጥልቅ የመማር ቴክኖሎጂዎች መስኮች ላይ ጉግል ይጠቀማል። TensorFlow በመጀመሪያ የተገነባው በ Google Brai
የእርስዎን ማይክሮ (ቢት) በአርዱዲኖ አይዲኢ-ቢት እና ሌሎች ጂፒኦ-3 ደረጃዎች (ከስዕሎች ጋር)
ማስተር ማይክሮዎን-ቢት ከአርዱዲኖ አይዲኢ-አዝራር እና ሌላ ጂፒኦ-በቀድሞው ብሎጋችን ማስተር ማይክሮዎ-ቢት ከአርዱዲኖ አይዲኢ ጋር - - Light LED ፣ በአርዱዲኖ አይዲኢ ላይ እንዴት ማይክሮ-ቢት ቤተ-መጽሐፍትን እንዴት እንደሚጫኑ ተነጋግረናል። LED ን በማይክሮ ላይ ለመንዳት: ቢት ከአርዱዲኖ አይዲኢ ጋር። በዚህ ጽሑፍ ውስጥ እኛ ልንነግርዎ ነው