Machine Learning Pratique avec le reTerminal : Guide de Démo Edge Impulse et ARM NN

8 Go RAM, 32 Go eMMC carte de développement Raspberry Pi CM avec un écran tactile 5 pouces et une multitude d'interfaces.

Histoire

Les articles précédents ont exploré le TinyML sur le Wio Terminal, une carte Cortex-M4F avec un LCD robuste. Seeed Studio a maintenant étendu le concept avec le reTerminal — une carte basée sur le Raspberry Pi 4 Compute Module dotée d'un écran intégré.

J'ai déballé le reTerminal, enregistré une courte vidéo de démo, et j'écris cet article compagnon pour vous guider à travers la configuration de l'environnement et les démonstrations d'apprentissage automatique.

Spécifications

Le reTerminal est alimenté par un Raspberry Pi Compute Module 4 doté d'un CPU quad-core Cortex-A72 à 1,5 GHz, 4 Go de RAM et 32 Go de stockage eMMC. Ces spécifications offrent des temps de démarrage rapides et une expérience utilisateur réactive. Son écran tactile capacitif IPS 5 pouces offre une résolution de 1280 × 720, tandis que les périphériques intégrés incluent un accéléromètre, une horloge temps réel, un buzzer, quatre boutons tactiles, quatre LED de statut et un capteur de lumière. Les options de connectivité comprennent le Wi-Fi double bande 2,4 GHz/5 GHz, Bluetooth 5.0 BLE et un port Ethernet Gigabit.

Les exigences d'alimentation reflètent celles d'un Raspberry Pi 4 : un adaptateur standard 5 V/2 A suffit, mais le fabricant recommande une alimentation 5 V/4 A pour une stabilité maximale, surtout quand des périphériques supplémentaires sont attachés. Dans nos démos, l'adaptateur 5 V/2 A a fonctionné de manière fiable, pourtant nous conseillons de privilégier la prudence avec une unité 5 V/4 A.

La carte est livrée avec un OS Raspbian 32 bits préchargé avec tous les pilotes nécessaires. Pour les charges de travail d'apprentissage automatique, une image Raspbian 64 bits — également fournie par Seeed Studio — offre un gain de performance notable.

Le clavier à l'écran du tactile apparaît automatiquement quand une saisie de texte est requise et peut être désactivé dans les paramètres. Bien que Raspbian ne soit pas un OS optimisé pour le mobile, l'interface est utilisable pour des éléments UI plus grands. Pour une expérience plus adaptée au tactile, envisagez d'explorer des options d'OS expérimentales comme Ubuntu Touch.

Lancer un exemple d'application QT démontre la capacité de la carte à afficher des données de capteurs et contrôler des interfaces. Avec des cibles tactiles de taille appropriée, l'écran 5 pouces se révèle très réactif.

Détection d'Objets Edge Impulse

Le nouveau support de déploiement Linux d'Edge Impulse vous permet d'entraîner et d'exécuter des modèles directement sur le reTerminal. Capturez des images avec une caméra attachée, entraînez le modèle dans le cloud, et déployez-le localement avec edge-impulse-linux-runner.

L'installation est simple :

curl -sL https://deb.nodesource.com/setup_12.x | sudo bash -
sudo apt install -y gcc g++ make build-essential nodejs sox gstreamer1.0-tools gstreamer1.0-plugins-good gstreamer1.0-plugins-base gstreamer1.0-plugins-base-apps
npm config set user root && sudo npm install edge-impulse-linux -g --unsafe-perm

Une fois le CLI Edge Impulse installé, connectez une caméra — par exemple, une webcam USB. Si vous préférez le module caméra Raspberry Pi, activez-le via raspi-config.

Avant la collecte de données, assurez-vous que le Dashboard > Project info > Labeling method du projet est défini sur Bounding boxes (object detection). Capturez au moins 100 images par classe. Bien que vous puissiez télécharger des images brutes, les annotations doivent être effectuées manuellement dans l'onglet Data Acquisition.

Après avoir collecté et étiqueté votre jeu de données, créez une Impulsion en sélectionnant le bloc de traitement Image et le bloc d'apprentissage Object Detection (Images). Comme un jeu de données modeste ne peut pas entraîner un grand réseau depuis zéro, nous affinons un backbone MobileNetV2-SSD pré-entraîné. Les valeurs par défaut pour les époques, le taux d'apprentissage et le seuil de confiance suffisent généralement ; le pipeline de détection n'est pas exposé en mode Expert, donc ces paramètres restent fixes.

L'entraînement s'exécute sur le CPU et peut prendre un certain temps, selon la taille du jeu de données. Pendant ce temps, une boisson de votre choix est recommandée.

Une fois l'entraînement terminé, lancez edge-impulse-linux-runner pour télécharger le modèle et démarrer l'inférence en direct :

edge-impulse-linux-runner

Le runner prépare automatiquement le modèle et diffuse les résultats vers un navigateur. Dans le terminal, vous verrez une ligne similaire à :

Vous voulez voir un flux de la caméra et la classification en direct dans votre navigateur ? Allez sur https://192.168.1.19:4912

Cliquez sur le lien pour voir le flux caméra en direct et la sortie d'inférence. Le backbone MobileNetV2-SSD fournit environ 2 FPS (~400 ms par frame). Comme l'inférence n'est pas effectuée sur chaque frame, les boîtes englobantes peuvent persister brièvement après la disparition d'un objet.

Le support Linux d'Edge Impulse est encore en évolution, donc attendez-vous à des améliorations de performance continues et des flux de travail de téléchargement de données plus fluides dans un avenir proche.

Inférence Accélérée ARM NN

Bien que le Raspberry Pi 4 n'ait pas d'accélérateur ML dédié, vous pouvez dépasser les taux d'inférence temps réel en :

• Choisissant un mode d'inférence léger.
• Utilisant les quatre cœurs CPU et les extensions SIMD ARM NEON pour le traitement parallèle.

Le runtime ARM NN, optimisé pour NEON, booste encore les performances en compilant le modèle en noyaux hautement efficaces.

Source : reTerminal Machine Learning Demos (Edge Impulse and Arm NN)