Hands-on Machine Learning met de reTerminal: Edge Impulse & ARM NN Demo Gids

8 GB RAM, 32 GB eMMC Raspberry Pi CM-ontwikkelboard met een 5-inch touchscreen en een rijkdom aan interfaces.

Verhaal

Eerdere posts verkenden TinyML op de Wio Terminal, een Cortex-M4F-board met een robuust LCD. Seeed Studio heeft het concept nu uitgebreid met de reTerminal – een Raspberry Pi 4 Compute Module-gebaseerd board met geïntegreerd display.

Ik heb de reTerminal uitgepakt, een korte demovideo opgenomen, en schrijf dit bijbehorende artikel om je door de omgevingsetup en machine-learning demonstraties te leiden.

Specificaties

De reTerminal wordt aangedreven door een Raspberry Pi Compute Module 4 met een quad-core Cortex-A72 CPU op 1,5 GHz, 4 GB RAM en 32 GB eMMC-opslag. Deze specificaties leveren snelle opstarttijden en een responsieve gebruikerservaring. Het 5-inch IPS capacitieve touch-display biedt 1280 × 720 resolutie, terwijl ingebouwde randapparatuur een versnellingsmeter, real-time klok, buzzer, vier tastbare knoppen, vier status-LED's en een lichtsensor omvat. Connectiviteitsopties omvatten dual-band 2,4 GHz/5 GHz Wi-Fi, Bluetooth 5.0 BLE en een Gigabit Ethernet-poort.

Stroomvereisten spiegelen die van een Raspberry Pi 4: een standaard 5 V/2 A adapter is voldoende, maar de fabrikant adviseert een 5 V/4 A voeding voor maximale stabiliteit, vooral wanneer extra randapparatuur aangesloten is. In onze demos werkte de 5 V/2 A adapter betrouwbaar, toch adviseren we aan de kant van voorzichtigheid met een 5 V/4 A unit.

Het board wordt geleverd met een 32-bits Raspbian OS voorgeïnstalleerd met alle benodigde drivers. Voor machine-learning workloads biedt een 64-bits Raspbian-image – ook geleverd door Seeed Studio – een merkbare prestatieboost.

De touchscreen's on-screen-toetsenbord verschijnt automatisch wanneer tekstinvoer vereist is en kan in instellingen uitgeschakeld worden. Hoewel Raspbian niet een mobile-geoptimaliseerd OS is, is de interface bruikbaar voor grotere UI-elementen. Voor een meer touch-vriendelijke ervaring, overweeg experimentele OS-opties zoals Ubuntu Touch te verkennen.

Het lanceren van een voorbeeld QT-applicatie toont de capaciteit van het board om sensordata weer te geven en controle-interfaces. Met op de juiste manier geschaalde touch-targets, bewiezen het 5-inch scherm zeer responsief.

Edge Impulse Objectdetectie

Edge Impulse's nieuwe Linux-deployment-ondersteuning laat je modellen direct op de reTerminal trainen en draaien. Beelden vastleggen met een aangesloten camera, het model in de cloud trainen, en lokaal deployen met de edge-impulse-linux-runner.

Installatie is eenvoudig:

curl -sL https://deb.nodesource.com/setup_12.x | sudo bash - sudo apt install -y gcc g++ make build-essential nodejs sox gstreamer1.0-tools gstreamer1.0-plugins-good gstreamer1.0-plugins-base gstreamer1.0-plugins-base-apps npm config set user root && sudo npm install edge-impulse-linux -g --unsafe-perm

Eenmaal de Edge Impulse CLI geïnstalleerd, sluit een camera aan – bijvoorbeeld een USB-webcam. Als je de Raspberry Pi-cameramodule prefereert, schakel het in via raspi-config.

Voordat je data verzamelt, zorg ervoor dat het project's Dashboard > Project info > Labeling method ingesteld staat op Bounding boxes (object detection). Captureer minimaal 100 afbeeldingen per klasse. Hoewel je ruwe afbeeldingen kunt uploaden, moeten annotaties handmatig in de Data Acquisition-tab worden uitgevoerd.

Na het verzamelen en labelen van je dataset, maak een Impulse door het Image verwerkingsblok en Object Detection (Images) leerblok te selecteren. Omdat een bescheiden dataset geen groot netwerk vanaf nul kan trainen, fine-tunen we een pre-getrainde MobileNetV2-SSD-backbone. Standaardwaarden voor epochs, learning rate en confidence threshold zijn doorgaans voldoende; de detectiepijplijn is niet blootgelegd in Expert-modus, dus deze parameters blijven vast.

Training draait op de CPU en kan even duren, afhankelijk van datasetgrootte. Tijdens dit tijdstip is een drankje naar keuze aanbevolen.

Wanneer training voltooid is, launch de edge-impulse-linux-runner om het model te downloaden en live inferentie te starten:

edge-impulse-linux-runner

De runner bereidt het model automatisch voor en streamt resultaten naar een browser. In de terminal zul je een regel zien zoals:

Wil je een feed van de camera en live classificatie in je browser zien? Ga naar https://192.168.1.19:4912

Klik de link om de live camera-feed en inferentie-uitvoer te bekijken. De MobileNetV2-SSD-backbone levert ongeveer 2 FPS (~400 ms per frame). Omdat inferentie niet op elk frame uitgevoerd wordt, kunnen bounding boxes kort persisteren na het verdwijnen van een object.

Edge Impulse's Linux-ondersteuning is nog in ontwikkeling, dus verwacht voortdurende prestatieverbeteringen en soepelere data-upload-workflows in de nabije toekomst.

ARM NN Geaccelereerde Inferentie

Hoewel de Raspberry Pi 4 geen speciale ML-accelerator heeft, kun je real-time inferentie-snelheden overschrijden door:

• Een lichte inferentie-modus te kiezen.
• Alle vier CPU-kernen en de ARM NEON SIMD-extensies te benutten voor parallelle verwerking.

De ARM NN-runtime, geoptimaliseerd voor NEON, verhoogt prestaties verder door het model te compileren in hoog-efficiënte kernels.

Bron: reTerminal Machine Learning Demos (Edge Impulse en Arm NN)