使用Arduino Nano 33 BLE Sense訓練TensorFlow模型以識別某些關鍵字并控制RGB燈帶。

與傳統代碼相比，邊緣機器學習對于創建可通過更少的編程和邏輯流程圖完成“智能”任務的設備非常有用。這就是為什么我想要結合邊緣關鍵字檢測功能，該功能可以識別某些單詞，然后根據所說的內容執行任務。

該項目只有一個組件：Arduino Nano 33 BLE Sense。真正的魔力發生在機器學習模型中。Arduino Nano 33 BLE Sense充滿了傳感器，包括麥克風，9軸IMU，環境傳感器以及手勢/接近度/顏色/環境光傳感器（APDS-9960）。它上的微控制器是nRF52840，它以64MHz運行，并包含1MB閃存和256KB RAM。該項目還使用其板載RGB LED來顯示當前顏色。

我首先在Edge Impulse上創建一個新項目，然后安裝Edge Impulse CLI工具。有關如何執行此操作的更多說明，請訪問安裝說明頁面。這使Arduino Nano與云服務通信以接收命令并自動發送傳感器數據。我下載了最新的Edge Impulse固件，然后通過雙擊重置按鈕使其進入引導加載程序模式，將其刷新到板上。然后我跑去flash_windows.bat轉移它。

在命令提示符上，我運行edge-impulse-daemon并跟隨向導進行設置。現在，Nano出現在項目的設備列表中，該列表允許獲取樣本并作為培訓/測試數據集的一部分上載。

訓練機器學習模型需要數據，并且數據很多。我希望RGB LED燈帶具有以下模式：
開
關
紅色
綠色
藍色
在每種模式下，我都會聽到大約1分鐘的聲音，在這種情況下，我會以1-2秒的間隔反復說出單詞并將其分開。

但是僅僅擁有這些樣本是不夠的，因為背景噪聲和其他詞語會給出錯誤的讀數。值得慶幸的是，Edge Impulse已經為噪聲和“未知”單詞提供了一個預先構建的數據集，因此我使用了它們的“上傳現有數據”工具將這些音頻文件上傳到訓練數據中。