社区分享 | 使用 Arduino 和 TensorFlow Lite Micro 快速识别水果

2020 年 11 月 9 日 TensorFlow

特邀博文 / Dominic Pajak 和 Sandeep Mistry,来自 Arduino 团队


Arduino 肩负着让任何人均可轻松使用机器学习的使命。去年前,我们宣布 TensorFlow Lite Micro 可以在 Arduino 库管理器中使用。这样便可使用一些现成的炫酷 ML 示例,例如语音识别、简单的机器视觉,甚至是端到端手势识别训练教程。如需全面了解背景信息,我们建议您阅读这篇文章


在本文中,我们将带您了解一个更为简单的端到端教程:使用 TensorFlow Lite Micro 库,以及 Arduino Nano 33 BLE Sense 的色度计和近接感测器传感器来分类对象。为此,我们将在开发板上运行一个小型神经网络。

运行 TensorFlow Lite Micro 的 Arduino BLE 33 Nano Sense


Tiny ML 的理念是在设备上用较少的资源(更小巧的外形、更少的能耗和更低成本的芯片)完成更多的工作。若与传感器在同一块开发板上运行推理,无论是对隐私还是电池续航时间都大有裨益,且意味着无需连网即可完成推理。


我们在电路板上安装了近接感应器,这意味着我们可以即时读取开发板前方对象的深度,而无需使用摄像头,也无需通过机器视觉来确定某个对象是否为目标对象。


在本教程中,当对象足够近时,我们可以对颜色进行采样,此时的板载 RGB 传感器可以看作是一个 1 像素的彩色摄像头。虽然此方法存在一定限制,但却让我们只需使用少量资源便可快速分类对象。请注意,实际上您可以在设备端运行完整的基于 CNN 的视觉模型。这块特殊的 Arduino 开发板配有一个板载色度计,因此我们认为以此方式开始演示不仅有趣,还极具指导意义。

  • 基于 CNN 的视觉模型
    http://cs231n.github.io/convolutional-networks/


我们将展示一个简单但完整的端到端 TinyML 应用,无需深厚的 ML 或嵌入式背景就可以快速实现。此处所涉内容包括数据采集、训练和分类器部署。我们介绍的是一个演示应用,您可连接一个外部摄像头,在此基础上进行改进和完善。我们希望您能了解我们提供的工具能够实现什么,这里只是为您提供了一个起点。



您需要具备的条件

  • Arduino BLE 33 Nano Sense
  • 一根 Micro USB 线
  • 装有 Web 浏览器的桌面设备/笔记本电脑
  • 几个具有不同颜色的对象



Arduino 开发板简介

我们所使用的 Arduino BLE 33 Nano Sense 开发板配备 Arm Cortex-M4 微控制器,该控制器运行着 mbedOS,并具备多个板载传感器,包括数字麦克风、加速度计、陀螺仪,以及温度、湿度、压力、光线、颜色和近接感应器。 


虽然该微控制器按照云或移动标准来看非常微小,但其功能非常强大,足以运行 TensorFlow Lite Micro 模型并对来自板载传感器的传感器数据进行分类。


设置 Arduino Create 网页编辑器

在本教程中,我们将使用 Arduino Create 网页编辑器,一款基于云端的 Arduino 开发板编程工具。您需要注册一个免费帐户来使用,然后安装一个插件允许浏览器通过 USB 线与 Arduino 开发板进行通信。


您可以按照 入门指南的说明进行快速设置,这些说明将引导您完成以下操作:
  • 下载并安装插件
  • 登录或注册免费帐号

  • 入门指南
    https://create.arduino.cc/getting-started/plugin?page=1


(请注意,您也可以使用 Arduino IDE 桌面应用,相关设置说明可以在之前的教程中找到)


拍摄训练数据

现在,我们将采集用于在 TensorFlow 中训练模型所需的数据。首先,选择几种颜色不同的对象。在这里,我们将使用水果,但您可以使用任何您喜欢的其他对象。


设置 Arduino,以便采集数据

接下来,我们将使用 Arduino Create 对 Arduino 开发板进行编程,让其运行 object_color_capture.ino 应用,该应用可以采集附近对象的颜色数据样本。开发板会通过 USB 线将颜色数据以 CSV 日志形式发送至您的桌面设备。


如需将 object_color_capture.ino 应用加载到 Arduino 开发板,请执行以下操作:
  • 通过 USB 线将开发板连接到笔记本电脑或 PC
  • Arduino 开发板需连接 Micro USB 公口
  • 点击此链接,在 Arduino Create 中打开 object_color_capture.ino。 

  • 链接
    https://create.arduino.cc/editor/TensorFlowExamples/ca761558-13ed-4190-baee-89ced06147c3/preview


您的浏览器将打开 Arduino Create 网页应用(参见上方的 GIF 图)

点按“OPEN IN WEB EDITOR”(在网页编辑器中打开)


  • 对于现有用户,此按钮将被标记为“ADD TO MY SKETCHBOOK”(添加至我的 Sketchbook)


点击 Upload & Save(上传并保存) 
  • 此操作需要等待一会儿才能完成
  • 您会看到开发板上的黄灯在闪烁,说明其正在“接受编程”


打开串口 Monitor(监视器) 
  • 此操作会打开网页应用左侧的 Monitor 面板
  • 现在,当对象在开发板顶部附近时,您将会在此处看到 CSV 格式的颜色数据


将每个对象的数据采集至 CSV 文件中

我们会针对每一个要分类的对象采集一些颜色数据。我们只针对每个类快速采集一个示例,这样做显然无法训练通用模型,但我们仍然可以通过手头的对象来快速验证概念! 


例如,我们正在对一个 苹果进行采样:
  • 使用顶部的白色小按钮重置开发板。
    • 除非您想对手指采样,否则请确保其远离传感器!
    • Arduino Create 中的 Monitor 将提示“Serial Port Unavailable”(串行端口不可用),提示时间为一分钟
  • 然后,您应该会看到串口监视器的顶部出现 Red,Green,Blue 字样
  • 将开发板的正面朝向苹果。 
    • 开发板只有在检测到有对象靠近传感器且照明充足(开灯或靠近窗户)时,才会执行采样
  • 在对象表面来回移动开发板,采集颜色变化
  • 您会看到 RGB 颜色值以逗号分隔的数据形式显示在串口监视器中。 
  • 采集对象的样本(持续几秒钟)
  • Monitor 复制此日志数据,并将其粘贴到文本编辑器中
    • 提示:取消勾选底部 AUTOSCROLL(自动滚动)对应的复选框,即可停止文字移动
  • 将文件另存为 apple.csv
  • 使用顶部的白色小按钮重置开发板。


重复执行上述操作,以采集其他对象并保存日志信息(例如 banana.csv、orange.csv)。

注意:每个 .csv 文件的第一行均应显示为:Red,Green,Blue

如果您未在顶部看到此内容,则只需将其复制并粘贴到代码行的上方。



训练模型

现在,我们将借助 colab,使用您在上一节中采集的数据来训练 ML 模型。
  • 首先,在 colab 中打开 Jupyter Notebook
  • 按照 colab 中的说明操作
    • 上传您的 *.csv 文件 
    • 解析并准备数据
    • 使用 Keras 训练模型
    • 输出 TensorFlowLite Micro 模型
    • 下载此模型以在 Arduino 上运行分类器 

  • colab
    https://colab.research.google.com/github/arduino/ArduinoTensorFlowLiteTutorials/blob/master/FruitToEmoji/FruitToEmoji.ipynb


完成上述步骤后,您应该已经下载了可以在 Arduino 开发板上运行对象分类的 model.h 文件!

Colab 会引导您将 .csv 文件拖放入文件窗口,结果如上图所示


Colab 会对 Arduino 开发板采集的标准化颜色样本进行绘制


将 TFLM 模型编写到 Arduino 开发板

最后,我们会对上一阶段训练得到的模型进行编译,然后使用 Arduino Create 将其上传至 Arduino 开发板。 
  • 打开 Classify_Object_Color.ino 

  • Classify_Object_Color.ino 
    https://create.arduino.cc/editor/TensorFlowExamples/8508c70f-5155-4e3b-b982-c5f6bd36ea5c/preview


您的浏览器将打开 Arduino Create 网页应用:
  • 点击 OPEN IN WEB EDITOR(在网页编辑器中打开)按钮
  • 使用 Import File to Sketch(将文件导入 Sketch)导入从 colab 下载的 model.h 文件:

导入从 colab 下载的 model.h 文件


model.h 标签页应如上所示


  • 编译并将应用上传至 Arduino 开发板  
    • 此操作需要等待一会儿才能完成
    • 完成后,您将在 Monitor 中看到以下消息:


  • 将 Arduino 的 RGB 传感器放在您训练的对象旁边
  • 您将在 Monitor 中看到分类结果输出:

Arduino Create Monitor 中的分类器输出


您也可以编辑 object_color_classifier.ino sketch 以输出颜文字来替代名字(我们在代码注释中保留了 unicode!),您可以关闭 Arduino Create 所在的网页浏览器标签页,重置开发板并输入 cat /cu/usb.modem[n],在 Mac OS X 或 Linux 终端中查看这些表情符号。 

从 Arduino 串口输出到 linux 终端并使用 ANSI 突出显示的结果,以及 unicode 表情符号



结论

至此,我们了解了一个在 Arduino 上运行的机器学习的快速端到端的演示。这个框架也可用于对不同传感器进行采样,以及训练更为复杂的模型。对于按颜色分类对象的任务,我们还可以在更多条件下采集更多示例样本,以泛化该模型。


在未来的研究当中,我们还会探索如何运行设备端 CNN。与此同时,我们希望于您而言,这将会是一个有趣而精彩的项目。请尽情体验 TinyML 带来的乐趣吧!



点‘在看’让我看到你的 AI ❤️~

登录查看更多
1

相关内容

Arduino 是一个开源的控制平台,其简单的输入输出接口和控制命令简化了元器件的控制,使工程师可以迅速将电子控制应用到其它领域中。
【2020新书】Ruby 3 编程: 从小白到专家,598页pdf
专知会员服务
30+阅读 · 2020年12月17日
TensorFlow Lite指南实战《TensorFlow Lite A primer》,附48页PPT
专知会员服务
69+阅读 · 2020年1月17日
TensorFlow 模型优化工具包 — 训练时量化
TensorFlow
7+阅读 · 2020年4月15日
在 Arduino 上使用机器学习
TensorFlow
6+阅读 · 2020年3月31日
基于TensorFlow和Keras的图像识别
Python程序员
16+阅读 · 2019年6月24日
Tensorflow官方视频课程-深度学习工具 TensorFlow入门
深度学习与NLP
12+阅读 · 2019年3月12日
TensorFlow图像分类教程
云栖社区
9+阅读 · 2017年12月29日
Arxiv
0+阅读 · 2021年1月26日
SlowFast Networks for Video Recognition
Arxiv
4+阅读 · 2019年4月18日
Bidirectional Attention for SQL Generation
Arxiv
4+阅读 · 2018年6月21日
VIP会员
相关VIP内容
【2020新书】Ruby 3 编程: 从小白到专家,598页pdf
专知会员服务
30+阅读 · 2020年12月17日
TensorFlow Lite指南实战《TensorFlow Lite A primer》,附48页PPT
专知会员服务
69+阅读 · 2020年1月17日
相关资讯
Top
微信扫码咨询专知VIP会员