带有EDEG IMPULSE的图像分类器

描述

介绍

最容易学习的 ML 平台 Edge Impulse 确实彻底改变了当今 ML 工作流程的阶段。因为它很容易，我能够在三个小时内完成整个项目。Smart Parks、hackster.io和 Edge Impulse 合作努力保护世界上最大的陆地动物大象。

我正在建立这个项目，以帮助他们努力向前推进。我正在构建一个 ML 模型来对大象图像与其他图像进行分类。我使用的数据集是 Arribada.org。所有 ML 工作流程均使用 Edge Impulse 完成。

我计划解释我使用这个项目制作这个图像分类器的所有步骤。相信我会花很多时间。

第 1 步 - 创建 Edge Impulse 帐户和项目

使用此链接在 Edge Impulse 中创建一个帐户。创建帐户并登录帐户后，创建一个项目。

边缘脉冲仪表板

 

步骤 2 安装 Edge Impulse CLI

准备好帐户和项目后，您可以继续在计算机中安装 Edge Impulse CLI。我使用的是 Windows 10，所有说明仅对该环境有效。

使用 NPM安装Node.js v10 或更高版本，安装文件和说明可以在这里找到。

安装 Edge Impulse CLI（在 Windows 10 中使用 CMD）

C:\Users\Chamal> npm install -g edge-impulse-cli

安装程序将在 pc 中安装以下工具。

edge-impulse-daemon

edge-impulse-uploader

edge-impulse-data-forwarder

edge-impulse-run-impulse

eta-flash-tool

第 3 步 - 下载训练/测试数据集

对于模型训练，我使用来自Arribada.org的数据集。该数据集包含在 ZSL Whipsnade 动物园收集的大象热图像。

您可以在GitHub中找到数据集。

Step4 - 上传到 Edge Impulse

使用 Edge Impulse 上传工具，可以上传数据集。在终端中运行以下命令

 # Upload all the "elephant" images

C:\Users\Chamal> edge-impulse-uploader --category split --label elephant human-wildlife-conflict/Elephant/Object/single_elephant/*.png
C:\Users\Chamal> edge-impulse-uploader --category split --label elephant human-wildlife-conflict/Elephant/Object/multiple_separate_elephants/*.png
C:\Users\Chamal> edge-impulse-uploader --category split --label elephant human-wildlife-conflict/Elephant/Object/multiple_obstructing_elephants/*.png
C:\Users\Chamal> edge-impulse-uploader --category split --label elephant human-wildlife-conflict/Elephant/Object/human_and_elephant/*.png

# Upload all the "non-elephant" images

C:\Users\Chamal> edge-impulse-uploader --category split --label non-elephant human-wildlife-conflict/Elephant/Object/human/*.png
C:\Users\Chamal> edge-impulse-uploader --category split --label non-elephant human-wildlife-conflict/Elephant/Object/goat/*.png

这需要一些时间，因为该数据集中有超过 10,000 张图像需要上传。

第 5 步 - 创造冲动

转到“创建脉冲”页面并添加一个处理块作为图像。然后添加“迁移学习”作为学习块。

创造冲动

 

第 6 步 - 特征提取

转到图像菜单可以单击“生成特征”以从上传的数据集中提取特征。

 

第 7 步 - 训练模型

转到迁移学习菜单，然后单击开始训练按钮开始模型训练。

模型训练

 

培训完成了

 

训练完成后，它会显示准确率，这次是 99.3%。价值对我来说还可以。

第 8 步 - 实时分类

现在是时候测试模型的能力了。转到实时分类菜单。选择一个样本并单击加载样本按钮。下面展示了两个场景这是如何工作的。一个用于非大象分类，另一个用于大象分类。

非大象分类

 

 

第 9 步 - 制作版本

是时候制作训练模型的版本了。转到版本控制

版本控制

 

第 10 步 - 下载模型

最后，您可以简单地为您喜欢的任何语言下载经过训练的模型，并与您喜欢的任何应用程序集成。进入部署。

建造

 

结论

这非常简单，只需 10 个简单的步骤，您就可以构建自己的训练有素的 ML 模型，该模型可以部署在任何地方，即使是像 Android Nano BLE 33 或 SMT Discovery 板这样的微型微控制器。底线 Edge Impulse 为我的 ML 工作流程节省了大量时间。无需编写任何代码，我就能够成功构建和部署可用于识别大象的图像分类器。使用它，我们可以建立警报系统，以在大象移动到非安全区域时发出警报。