Praktik Machine Learning dengan reTerminal: Panduan Demo Edge Impulse & ARM NN
Papan pengembangan Raspberry Pi CM dengan RAM 8 GB, eMMC 32 GB, layar sentuh 5 inci, dan berbagai antarmuka.
Cerita
Postingan sebelumnya menjelajahi TinyML pada Wio Terminal, papan Cortex-M4F dengan LCD tahan lama. Seeed Studio sekarang memperluas konsep dengan reTerminal – papan berbasis Raspberry Pi 4 Compute Module dengan layar terintegrasi.
Saya membuka kotak reTerminal, merekam video demo singkat, dan menulis artikel pendamping ini untuk memandu Anda melalui pengaturan lingkungan dan demonstrasi pembelajaran mesin.
Spesifikasi
reTerminal didorong oleh Raspberry Pi Compute Module 4 dengan CPU quad-core Cortex-A72 1,5 GHz, RAM 4 GB, dan penyimpanan eMMC 32 GB. Spesifikasi ini memberikan waktu boot yang cepat dan pengalaman pengguna yang responsif. Layar sentuh kapasitif IPS 5 inci menawarkan resolusi 1280 × 720, sementara periferal bawaan termasuk akselerometer, jam real-time, buzzer, empat tombol sentak, empat LED status, dan sensor cahaya. Opsi konektivitas mencakup Wi-Fi dual-band 2,4 GHz/5 GHz, Bluetooth 5.0 BLE, dan port Ethernet Gigabit.
Persyaratan daya mencerminkan Raspberry Pi 4: adapter standar 5 V/2 A cukup, tetapi produsen merekomendasikan pasokan 5 V/4 A untuk stabilitas maksimal, terutama ketika periferal tambahan dipasang. Dalam demo kami, adapter 5 V/2 A bekerja dengan andal, namun kami menyarankan untuk berhati-hati dengan unit 5 V/4 A.
Papan dikirim dengan OS Raspbian 32-bit yang sudah dimuat dengan semua driver yang diperlukan. Untuk beban kerja pembelajaran mesin, image Raspbian 64-bit – juga disediakan oleh Seeed Studio – menawarkan peningkatan performa yang terlihat.
Keyboard layar sentuh muncul secara otomatis saat entri teks diperlukan dan dapat dinonaktifkan dalam pengaturan. Meskipun Raspbian bukan OS yang dioptimalkan untuk seluler, antarmuka dapat digunakan untuk elemen UI yang lebih besar. Untuk pengalaman yang lebih ramah sentuh, pertimbangkan untuk menjelajahi opsi OS eksperimental seperti Ubuntu Touch.
Meluncurkan aplikasi QT contoh menunjukkan kemampuan papan untuk menampilkan data sensor dan mengontrol antarmuka. Dengan target sentuh yang diukur dengan baik, layar 5 inci terbukti sangat responsif.
Deteksi Objek Edge Impulse
Dukungan deployment Linux baru Edge Impulse memungkinkan Anda melatih dan menjalankan model secara langsung di reTerminal. Tangkap gambar dengan kamera yang terpasang, latih model di cloud, dan terapkan secara lokal dengan edge-impulse-linux-runner.
Setelah CLI Edge Impulse terinstal, sambungkan kamera – misalnya, webcam USB. Jika Anda menyukai modul kamera Raspberry Pi, aktifkan melalui raspi-config.
Sebelum pengumpulan data, pastikan Dashboard > Project info > Labeling method proyek diatur ke Bounding boxes (object detection). Tangkap setidaknya 100 gambar per kelas. Sementara Anda dapat mengunggah gambar mentah, anotasi harus dilakukan secara manual di tab Data Acquisition.
Setelah mengumpulkan dan memberi label pada dataset Anda, buat Impulse dengan memilih blok pemrosesan Image dan blok pembelajaran Object Detection (Images). Karena dataset yang modest tidak dapat melatih jaringan besar dari awal, kami fine-tuning backbone MobileNetV2-SSD yang telah dilatih sebelumnya. Nilai default untuk epochs, learning rate, dan confidence threshold biasanya cukup; pipeline deteksi tidak diekspos dalam mode Expert, jadi parameter ini tetap tetap.
Pelatihan berjalan pada CPU dan dapat memakan waktu, tergantung pada ukuran dataset. Selama ini, minuman pilihan Anda disarankan.
Saat pelatihan selesai, jalankan edge-impulse-linux-runner untuk mengunduh model dan memulai inferensi langsung:
edge-impulse-linux-runner
Runner secara otomatis menyiapkan model dan streaming hasil ke browser. Di terminal, Anda akan melihat baris seperti:
Want to see a feed of the camera and live classification in your browser? Go to https://192.168.1.19:4912
Klik tautan untuk melihat feed kamera langsung dan output inferensi. Backbone MobileNetV2-SSD memberikan sekitar 2 FPS (~400 ms per frame). Karena inferensi tidak dilakukan pada setiap frame, kotak pembatas mungkin tetap singkat setelah objek hilang.
Dukungan Linux Edge Impulse masih berkembang, jadi harapkan peningkatan performa yang berkelanjutan dan alur kerja unggah data yang lebih halus di masa mendatang.
Inferensi Dipercepat ARM NN
Sementara Raspberry Pi 4 tidak memiliki akselerator ML khusus, Anda dapat melebihi tingkat inferensi real-time dengan:
Memilih mode inferensi ringan.
Memanfaatkan semua inti CPU dan ekstensi SIMD ARM NEON untuk pemrosesan paralel.
Runtime ARM NN, yang dioptimalkan untuk NEON, lebih meningkatkan performa dengan mengompilasi model menjadi kernel yang sangat efisien.
Sumber: reTerminal Machine Learning Demos (Edge Impulse dan Arm NN)
