電子發(fā)燒友網(wǎng)>電子資料下載>電子資料>在嵌入式物聯(lián)網(wǎng)節(jié)點(diǎn)中運(yùn)行機(jī)器學(xué)習(xí)代碼以輕松識(shí)別對(duì)象

在嵌入式物聯(lián)網(wǎng)節(jié)點(diǎn)中運(yùn)行機(jī)器學(xué)習(xí)代碼以輕松識(shí)別對(duì)象

2513367 2022-11-24 | pdf | 225.59KB | 次下載 | 免費(fèi)

資料介紹

在動(dòng)態(tài)環(huán)境中運(yùn)行的物聯(lián)網(wǎng) (IoT) 網(wǎng)絡(luò)正在擴(kuò)展到對(duì)象檢測(cè)之外，包括在安全、環(huán)境監(jiān)控、安全和工業(yè)物聯(lián)網(wǎng) (IIoT) 等應(yīng)用中的視覺對(duì)象識(shí)別。由于對(duì)象識(shí)別是自適應(yīng)的并且涉及使用機(jī)器學(xué)習(xí) (ML) 模型，因此它是一個(gè)復(fù)雜的領(lǐng)域，很難從頭開始學(xué)習(xí)和有效實(shí)施。在動(dòng)態(tài)環(huán)境中運(yùn)行的物聯(lián)網(wǎng) (IoT) 網(wǎng)絡(luò)正在擴(kuò)展到對(duì)象檢測(cè)之外，包括在安全、環(huán)境監(jiān)控、安全和工業(yè)物聯(lián)網(wǎng) (IIoT) 等應(yīng)用中的視覺對(duì)象識(shí)別。由于對(duì)象識(shí)別是自適應(yīng)的并且涉及使用機(jī)器學(xué)習(xí) (ML) 模型，因此它是一個(gè)復(fù)雜的領(lǐng)域，很難從頭開始學(xué)習(xí)和有效實(shí)施。困難源于這樣一個(gè)事實(shí)，即 ML 模型的好壞取決于它的數(shù)據(jù)集，一旦獲取了正確的數(shù)據(jù)，就必須對(duì)系統(tǒng)進(jìn)行適當(dāng)?shù)挠?xùn)練以對(duì)其采取行動(dòng)，以使其具有實(shí)用性。困難源于這樣一個(gè)事實(shí)，即 ML 模型的好壞取決于它的數(shù)據(jù)集，一旦獲取了正確的數(shù)據(jù)，就必須對(duì)系統(tǒng)進(jìn)行適當(dāng)?shù)挠?xùn)練以對(duì)其采取行動(dòng)，以使其具有實(shí)用性。本文將向開發(fā)人員展示如何將 Google 的 TensorFlow Lite for Microcontrollers ML 模型實(shí)施到本文將向開發(fā)人員展示如何將 Google 的 TensorFlow Lite for Microcontrollers ML 模型實(shí)施到Microchip TechnologyMicrochip Technology微控制器中。然后，它將解釋如何通過 TensorFlow Lite 使用圖像分類和對(duì)象檢測(cè)學(xué)習(xí)數(shù)據(jù)集，以最少的自定義編碼輕松識(shí)別對(duì)象。微控制器中。然后，它將解釋如何通過 TensorFlow Lite 使用圖像分類和對(duì)象檢測(cè)學(xué)習(xí)數(shù)據(jù)集，以最少的自定義編碼輕松識(shí)別對(duì)象。然后介紹然后介紹Adafruit IndustriesAdafruit Industries的 TensorFlow Lite ML 入門套件，可以幫助開發(fā)人員熟悉 ML 的基礎(chǔ)知識(shí)。的 TensorFlow Lite ML 入門套件，可以幫助開發(fā)人員熟悉 ML 的基礎(chǔ)知識(shí)。用于嵌入式視覺系統(tǒng)的 ML用于嵌入式視覺系統(tǒng)的 ML廣義上的 ML 賦予計(jì)算機(jī)或嵌入式系統(tǒng)與人類類似的模式識(shí)別能力。從人類感官的角度來看，這意味著使用麥克風(fēng)和相機(jī)等傳感器來模仿人類對(duì)聽覺和視覺的感官感知。雖然傳感器很容易用于捕獲音頻和視覺數(shù)據(jù)，但一旦數(shù)據(jù)被數(shù)字化并存儲(chǔ)，就必須對(duì)其進(jìn)行處理，以便將其與內(nèi)存中代表已知聲音或物體的存儲(chǔ)模式進(jìn)行匹配。挑戰(zhàn)在于，例如，相機(jī)為視覺對(duì)象捕獲的圖像數(shù)據(jù)與內(nèi)存中存儲(chǔ)的對(duì)象數(shù)據(jù)不完全匹配。需要視覺識(shí)別對(duì)象的 ML 應(yīng)用程序必須處理數(shù)據(jù)，以便它能夠準(zhǔn)確有效地將相機(jī)捕獲的模式與存儲(chǔ)在內(nèi)存中的模式相匹配。廣義上的 ML 賦予計(jì)算機(jī)或嵌入式系統(tǒng)與人類類似的模式識(shí)別能力。從人類感官的角度來看，這意味著使用麥克風(fēng)和相機(jī)等傳感器來模仿人類對(duì)聽覺和視覺的感官感知。雖然傳感器很容易用于捕獲音頻和視覺數(shù)據(jù)，但一旦數(shù)據(jù)被數(shù)字化并存儲(chǔ)，就必須對(duì)其進(jìn)行處理，以便將其與內(nèi)存中代表已知聲音或物體的存儲(chǔ)模式進(jìn)行匹配。挑戰(zhàn)在于，例如，相機(jī)為視覺對(duì)象捕獲的圖像數(shù)據(jù)與內(nèi)存中存儲(chǔ)的對(duì)象數(shù)據(jù)不完全匹配。需要視覺識(shí)別對(duì)象的 ML 應(yīng)用程序必須處理數(shù)據(jù)，以便它能夠準(zhǔn)確有效地將相機(jī)捕獲的模式與存儲(chǔ)在內(nèi)存中的模式相匹配。有不同的庫或引擎用于匹配傳感器捕獲的數(shù)據(jù)。TensorFlow 是一個(gè)用于匹配模式的開源代碼庫。TensorFlow Lite for Microcontrollers 代碼庫專為在微控制器上運(yùn)行而設(shè)計(jì)，因此降低了內(nèi)存和 CPU 要求以在更有限的硬件上運(yùn)行。具體來說，它需要一個(gè) 32 位微控制器并使用不到 25 千字節(jié) (Kbytes) 的閃存。有不同的庫或引擎用于匹配傳感器捕獲的數(shù)據(jù)。TensorFlow 是一個(gè)用于匹配模式的開源代碼庫。TensorFlow Lite for Microcontrollers 代碼庫專為在微控制器上運(yùn)行而設(shè)計(jì)，因此降低了內(nèi)存和 CPU 要求以在更有限的硬件上運(yùn)行。