描述

介紹

為什么選擇 MaaXBoard Mini？

MaaXBoard Mini是基于 NXP 的i.MX 8M Mini 處理器的Avnet 開發板，該處理器具有四個 Cortex-A53 內核平臺，每個內核的時鐘頻率為 1.8GHz。它具有一個 Pi hat 接口，以及四個 USB 端口、BLE 4.0、WIFI、一個 MIPI 攝像頭接口和一個 MIPI 顯示接口。

今年 2 月，我在幾個機器學習模型上對 MaaXBoard Mini 和 8 臺類似的單板計算機進行了基準測試。它在 Mobilenet SSD V.1 和 V.2 上的速度優于 Raspberry Pi 4 和 NVIDIA Jetson Nano (TF)，并且在功耗方面優于除 Movidius NCS 和 MaaXBoard 之外的所有主板。

我認為它是用于機器學習的完美小型單板計算機，我想將它與Edge Impulse配對，Edge Impulse是在邊緣訓練機器學習的理想軟件平臺。

為什么要進行安全帽檢測？

安全帽檢測是用于建筑工地安全的有用的計算機視覺應用程序。是否有人在沒有適當安全裝備的情況下走進建筑工地？使用機器學習模型提醒您的施工主管注意不安全的情況。

設置

您需要執行幾個設置步驟才能讓 Edge Impulse CLI 在您的 MaaXBoard 或 MaaXBoard Mini 上運行。

設置您的 MaaXBoard

您需要做的第一件事是閱讀我的Headless Setup 指南，使用 Debian 操作系統設置 MaaXBoard Mini，創建一個非 root 用戶，然后通過 SSH 連接。

在 Edge Impulse 上創建一個新項目

如果您還沒有帳戶，下一步是在Edge Impulse上創建一個帳戶。

轉到 Edge Impulse 中的Object Detection 項目，然后選擇“clone this project”。

在 MaaXBoard Mini 上安裝 Edge Impulse Linux SDK

什么是 Edge Impulse Linux CLI 或 SDK？

Edge Impulse Linux CLI 或 SDK（文檔交替使用這兩個術語）是下載和運行為 linux 打包的 .eim 文件所必需的。它還允許從 Web 界面連接到電路板并收集傳感器數據。有四種不同的語言 SDK。在這種情況下，我們將使用node.js SDK 。

為 Node.js 安裝 Edge Impulse CLI 和 Linux SDK

啟動您的 MaaXBoard Mini 并以您在Headless Setup期間創建的非 root 用戶身份登錄。

在您的 MaaXBoard 上安裝node.js ：

set -e
sudo apt install curl
curl -sL https://deb.nodesource.com/setup_14.x | sudo -E bash -
sudo apt install -y nodejs
node -v

上面的命令應該為您提供路徑上的節點版本。在這種情況下，它應該是14.x。

您將需要許多依賴項，包括libvips8 ，這是安裝圖像處理庫sharp的要求。安裝 libvips8 需要 20 多分鐘，所以喝杯茶什么的：

sudo apt install -y gcc g++ make build-essential pkg-config glib2.0-dev libexpat1-dev sox v4l-utils libjpeg62-turbo-dev
wget https://github.com/libvips/libvips/releases/download/v8.10.5/vips-8.10.5.tar.gz
tar xf vips-8.10.5.tar.gz
cd vips-8.10.5
./configure
make -j
sudo make install
sudo ldconfig

您現在可以刪除壓縮的安裝文件夾node-v12.13.0-linux-arm64.tar.xz和vips-8.10.5.tar.gz 。

最后，安裝 edge-impulse CLI 和 Linux SDK：

sudo npm install edge-impulse-cli -g --unsafe-perm=true
sudo npm install edge-impulse-linux -g --unsafe-perm=true

如果您看到消息+ edge-impulse-linux@[VERSION]和+ edge-impulse-cli@[VERSION] ，成功！Edge Impulse CLI 現在已安裝在您的 MaaXBoard 上。

收集數據

在 Edge Impulse 中收集數據的主要方式有 3 種

• 使用 Edge Impulse Linux SDK 連接開發板并通過 Web 界面收集數據
• 收集板上的數據，并通過 GUI 上傳器上傳
• 收集板上的數據，或使用現有數據集，然后使用主機 PC 上 Edge Impulse CLI 中的 Edge Impulse Uploader 上傳數據。

刪除示例項目中的現有數據

您之前在 Edge Impulse 中復制的項目已經有一些與之關聯的數據。在開始收集數據之前，您需要將其從項目中刪除。轉到數據采集選項卡并選擇復選標記以選擇多個項目。全選并選擇“刪除所選內容”。在“測試數據”選項卡上執行相同的操作。

將您的網絡攝像頭連接到 MaaXBoard Mini

我正在使用 USB 網絡攝像頭 - HD Pro Webcam C920 。拍攝只有 320x320 像素的圖像有點矯枉過正，但我??喜歡這個，因為它有一個支架，所以我可以將它連接到三腳架上。

將您的 USB 網絡攝像頭連接到 MaaXBoard Mini 上的 USB 端口之一。接下來，確保您擁有網絡攝像頭權限。編輯/etc/rc.local文件，以在每次板子啟動時授予您自己的攝像頭權限：

sudo nano /etc/rc.local

exit 0在rc.local中的" " 之前包含這一行：

sudo chmod -R a+rwx /dev/video1

在 MaaXBoard 上，video0 是 MIPI-CSI 攝像頭，video1+ 是 USB 攝像頭。編輯rc.local后，運行：

sync
sudo reboot

重新登錄后，您現在應該在運行時看到您擁有攝像頭權限ls -l /dev/video*。

使用 Edge Impulse Linux SDKTY 收集新數據

在您的 MaaXBoard Mini 上運行 Edge Impulse Linux SDK：

edge-impulse-linux

出現提示時，登錄您的 Edge Impulse 帳戶并命名您的設備（我將我的設備命名為“mini”）。當您轉到 Edge Impulse 上的項目頁面時，您現在會看到 MaaXBoard Mini 已連接：

如果您想連接到不同的項目，您始終可以通過鍵入以下內容來清除您的憑據：

edge-impulse-linux --clean

您還可以通過鍵入ctrl-c退出 CLI 。

連接您的電路板后，可以直接使用 Edge Impulse 的 Web 界面從您的 MaaXBoard Mini 收集數據。在Data Acquisition頁面上，選擇您的設備，輸入標簽（對于對象檢測，這只是文件名，不會創建標簽），選擇您的傳感器（選擇相機）并開始采樣！

您將看到相機源的預覽。

使用 GUI 上傳器上傳數據

使用 Edge Impulse 采樣數據非常有用，但它一次只能采集一張圖像。由于我需要在一段時間內收集大量數據，因此最簡單的方法是編寫一個腳本來收集 MaaXBoard 上的數據，將其壓縮，然后將其發送到我的 PC 進行上傳。

在這種情況下，我將使用ffmeg庫連續拍攝圖像：

sudo apt install ffmpeg

創建一個名為 hardhats 的文件夾并將cd放入其中。運行如下腳本開始收集 322 像素圖像（Edge Impulse 中對象檢測項目中圖像的最大尺寸）。

我的地下室碰巧有一個實際的建筑工地，所以我在粉刷地下室時讓 ffmeg 運行，中途脫下安全帽。

mkdir hardhats
cd hardhats
nohup ffmpeg -s 320x320 -i /dev/video1 -r 2 hardhats-%04d.jpg

壓縮名為hardhats的文件夾：

sudo apt install zip
zip -r hardhats.zip hardhats

在我的主機 PC 上，我將壓縮文件夾復制到：

scp ebv@192.168.1.14:hardhats.zip .

然后，我只需使用 Edge Impulse 界面的 Data Acquisition 選項卡上的上傳按鈕解壓縮并上傳整個文件夾：

使用 Edge Impulse CLI 上傳數據

您還可以使用edge-uploader cli從主機輕松上傳數據。這有一個額外的好處，就是能夠上傳已經注釋的數據，只要注釋的格式正確。

首先，安裝 Python3 和Node.js v14 或更高版本。然后安裝 CLI。在這里，我將它安裝在我的 Mac 上（Linux、Windows 和 Mac 的完整說明在這里）：

npm install -g edge-impulse-cli --force

要將數據上傳到 Edge Impulse，請運行edge-impulse-uploader您的數據目錄，例如：

edge-impulse-uploader /Users/monica/Documents/EdgeImpulseTalk/restsubset2898/output/.*jpg

這將引導您配置 CLI 以上傳到所需的項目。它會讓您知道文件是否成功上傳。

如果要使用不同的項目重新配置 CLI，請運行：

edge-impulse-uploader --clean

注釋數據

Edge Impulse 讓您可以直接在 Web 界面中注釋數據。單擊數據點旁邊的三個點，然后選擇編輯標簽。您還可以通過選擇“標記隊列”選項卡一次編輯所有未標記的圖像。

在圖像上拖動鼠標以標記它。輸入標簽名稱，然后單擊設置標簽。最后，選擇保存標簽。

使用現有標簽上傳數據

如果您選擇使用預先注釋的數據集或在另一個工具中注釋您的數據（要了解有關注釋數據的更多信息，請參閱我的項目“機器學習注釋數據”），您可以通過將注釋保存在單個文件中來上傳注釋您的主機 PC 稱為bounding_boxes.labels 。您可以在Edge Impulse 的文檔中的“邊界框”標題下查看有關 Edge Impulse 使用的特定 JSON 注釋格式的更多信息。

我編寫了一個 python腳本來將流行的注釋格式Pascal VOC轉換為 Edge Impulse JSON 格式。如果您的標簽是另一種格式，您可以使用 Roboflow 的有用工具將它們轉換為 Pascal VOC，然后使用我的腳本將它們轉換為 Edge Impulse 格式。

要上傳您的注釋，請將bounding_boxes.labels與您的圖像放在同一文件夾中并運行邊緣脈沖上傳器。

設置和訓練您的模型

生成特征

現在您的圖像已被標記，是時候設置訓練了。為此，請轉到Impulse design選項卡。在第一個子選項卡上，Create Impulse目標檢測模型沒有太多工作要做，因為這里的參數受到限制。

選擇Image選項卡，然后單擊Generate features 。單擊“生成特征”按鈕。

理想情況下，不同的特征應該聚集在不同的組中。如果您看到它們都聚集在一起，請檢查彼此靠近的不同特征，看看您的數據是否存在問題。

您可以將鼠標懸停在每個數據點上并單擊以查看與其相關的圖像。通過這樣做，我能夠看到中間的圖像往往有非常小的注釋，所以我提高了注釋的最小尺寸，再次上傳我的數據，這樣可以獲得更好的數據。

訓練模型

是時候訓練你的模型了。如果您熟悉 Keras，可以使用 Keras 模式來選擇模型設置。從 GUI 中，您可以輕松選擇不同的模型、訓練周期數、學習率和分數閾值。最后，選擇開始訓練來訓練您的模型。

測試和部署您的模型

測試你的模型

訓練模型后，您將看到 Precision 分數和估計的設備性能。

Edge Impulse 讓您可以在板上測試您的項目。只要您的電路板已連接，您就可以使用MaaXBoard Mini的實時分類進行測試。只需像在數據采集期間一樣選擇您的設備，然后選擇Start Sampling 。

默認情況下，此處拍攝的圖像會添加到測試集中。您可以通過選擇“摘要”旁邊的三個點并選擇移動到訓練集來將項目移動到訓練集。將其移至訓練集后，它還將顯示在Labeling queue下的Data Acquisition選項卡下，您可以在其中添加標簽。

然后，您可以使用這些測試圖像測試您的模型。要專門為測試集上傳數據，您必須在上傳中指定。上傳您的測試數據并指定--category testing.

edge-impulse-uploader --category testing C:\Users\044560\Documents\EdgeImpulseTalk\testset\output\*.jpg

你的訓練集應該是你圖像的 80%，而你的測試集應該是 20%。如果您的測試集中有太多或太少的圖像，您會在Data Acquisition選項卡上看到一個警告按鈕。您可以通過單擊它并選擇Perform train / test split來修復您的拆分。

您將能夠在Model Testing側邊欄下看到所有測試數據。要在您的測試數據上測試您的模型，只需選擇Classify all 。圖像分類后，您可以通過單擊圖像旁邊的三個欄并選擇“顯示分類”來獲得更好的視圖。

在這里，您可以準確地查看模型分類錯誤的內容，并使用此信息來改進您的模型。例如，我的模型在這張圖片中只正確分類了最大的頭盔，所以我可以推斷當主體太遠時它的表現很差：

版本控制

如果您的模型獲得了不錯的準確性，最好保存它的一個版本。我喜歡在版本描述中注明準確性和我使用的數據集子集，以及訓練周期數和學習率：

要恢復您的項目，請單擊它并選擇恢復。在彈出窗口中，為您的項目命名并選擇Restore version 。Edge Impulse 會將您的版本恢復為一個全新的項目，其中包含完整的原始數據集。

從 CLI 運行您的項目

要實際運行您的模型，首先您必須在“部署”選項卡下構建它。選擇Linux板，然后選擇build ：

再次運行edge-impulse-linux并連接到您的項目（如果您仍未連接）。下載模型文件并使用edge-impulse-linux-runner運行它：

edge-impulse-linux
edge-impulse-linux-runner --download modelfile.eim
edge-impulse-linux-runner

您可以通過轉到終端輸出 EG 中列出的 IP 地址來查看您的模型所看到的內容

http://10.0.0.79:4912

每當您的模型檢測到不安全的情況時發送短信

在twilio上創建一個帳戶并在“購買號碼”頁面上購買“發件人”電話號碼以允許發送 SMS。設置一個免費帳戶可為您提供 15 美元的信用額度，因此您不必花任何錢。

我從 Edge Impulse 分叉了一個簡單的 web 應用程序，它運行您的模型并在每次檢測到沒有安全帽的人時通過 Twilio 發送文本警報。

在您的 MaaXBoard Mini 上安裝 git 并克隆存儲庫：

sudo apt install git 
git clone https://github.com/zebular13/example-linux-with-twilio.git

將 your.eim 文件移動到 repo 文件夾中：

mv modelfile.eim example-linux-with-twilio.git/modelfile.eim

輸入 repo 并安裝依賴項：

cd example-linux-with-twilio.git
npm install

通過以下方式啟動應用程序：

npm run build
node build/webserver-twilio.js modelfile.eim

您將在終端中看到警報，在您的網絡瀏覽器中http://localhost:4911 ，您還將開始在手機上收到警報！

?