CARA MENGGUNAKAN MESIN BELAJAR DENGAN MIKROKONTROLER

Beralih dari mikrokontroler yang mengedipkan LED, ke mikrokontroler yang mengedipkan LED menggunakan perintah suara berdasarkan kumpulan data yang Anda latih pada jaringan saraf adalah masalah “sekarang menggambar sisa burung hantu”. Beruntung bagi kami, Shawn Hymel memandu kami melalui seluruh proses selama lokakarya Tiny ML-nya dari Hackaday Remoticon 2020. Video tersebut baru saja dipublikasikan dan dapat dilihat di bawah ini.

Ini benar-benar Hello World ujung-ke-ujung untuk mengaktifkan dan menjalankan pembelajaran mesin di mikrokontroler. Shawn mencakup proses pengumpulan dan persiapan sampel audio, pelatihan kumpulan data, dan memasukkan semuanya ke mikrokontroler. Pada akhir dua jam, dia dapat menunjukkan STM32 mengenali dan merespons dua kata yang diucapkan berbeda. Sepanjang jalan dia berhenti sejenak untuk membahas konteks dari apa yang terjadi di setiap langkah, yang akan membantu Anda kembali dan memperluas area tersebut nanti agar sesuai dengan kebutuhan proyek Anda sendiri.

Perangkat keras yang digunakan dalam demonstrasi ini adalah papan STM32 Nucleo-L476RG, tetapi Anda dapat menggunakan teknik yang sama pada berbagai papan ARM dan chip berkinerja tinggi lainnya yang sesuai.

Persyaratan perangkat keras dijabarkan di halaman proyek bengkel. Shawn telah mengumpulkan beberapa dokumentasi epik di repo GitHub-nya, termasuk slide untuk lokakarya. Bahkan sejak video tersebut direkam, ia bahkan sempat membuat demo menggunakan board Arduino Nano 33 BLE Sense yang menggunakan chip Nordic nRF52480.

Sebagian besar waktu lokakarya dihabiskan untuk bekerja melalui labirin platform perangkat lunak dan pengaturan yang digunakan untuk melatih kumpulan data. Demonstrasi menarik dari notebook Jupiter mengumpulkan dan mengkurasi sampel audio 1 detik senilai 120 menit untuk pelatihan. Ada lagi data uji selama 20 menit — sampel ini tidak ada dalam set pelatihan dan akan digunakan untuk memverifikasi bahwa masukan yang sebelumnya tidak diketahui dapat berhasil diklasifikasikan.

Proses pelatihan itu sendiri dijalankan pada platform yang disebut Edge Impulse. Ini menyediakan antarmuka web grafis untuk menyatukan parameter yang digunakan oleh set pelatihan. Dalam hal ini, sampel audio dikonversi ke Mel-frequency cepstral coefficients (MFCCs) dan dimasukkan ke dalam jaringan saraf Keras. (Terlambat di bengkel, Shawn menyentuh tentang cara mengubah kode Keras setelah Anda mulai menguasai seluruh pengaturan.) Mikrokontroler akan mengubah setiap sampel audio yang masuk secara real time ke MFCC yang dapat dibandingkan dengan dataset dimuntahkan sebagai paket C oleh Edge Impulse.

Dia membuatnya terlihat cukup mudah, dan Anda pasti harus mencobanya. Pada saat yang sama, ini adalah contoh sempurna mengapa mendokumentasikan proyek Anda, meskipun hanya untuk penggunaan pribadi, sangat penting. Kami sangat senang mendapatkan langkah-demi-langkah dari Shawn, tetapi bahkan dia merujuknya ketika masuk ke gulma dengan mengimpor kumpulan data ke perangkat lunak STM32CubeIDE.