教學原文參考：Edge Impulse 影像辨識實作 (上)：資料收集

一、前言

Pixel:Bit 教學進入到第五單元了！在這個單元我們要開始帶領大家一起學習如何在 Pixel:Bit 上使用 TinyML（微型機器學習，Tiny Machine Learning）技術，本次教學我們選用的是 Edge Impulse 這個平台來實現影像分類，實作內容分為兩個部分，分別是「資料收集」與「模型訓練與使用」。

文章會先為大家介紹什麼是 TinyML？並說明人工智慧（AI）在影像辨識領域的主要應用；接著進入本次的主題使用 Edge Impulse 實作影像辨識的說明。

二、什麼是 TinyML ?

TinyML 為一個快速發展的機器學習技術和應用領域，包括硬體、算法和應用軟體。它可以快速高效率地進行即時計算，安全可靠又回應迅速，並且能夠以極低功耗（通常在 mW 範圍及以下）執行設備上的感測器數據分析，實現不同場域的應用，相當適合使用在電力有所限制的設備上。

三、人工智慧在影像辨識的應用

目前人工智慧（AI）在影像辨識領域主要的應用大致分為：「影像分類（image classification）」、「物件偵測（object detection）」、「語義分割（semantic segmentation）」。

• 影像分類：顧名思義就是將影像進行類別篩選，透過深度學習方法辨識圖片屬於哪種分類類別，其主要重點在於一張圖像只包含一種類別，即使該影像內容可能有多個目標物。
• 物件偵測：為一張影像內可以有一或多個目標物，目標物也可以是屬於不同類別，並且可得知此物件在影像中的位置。
• 語義分割：為每個像素進行分類，以達到物件可以被精細切割出輪廓，但相同類形物件重疊時會被分在同一類像素而無法正確分割出物件的數量。

圖片來源

上述三種電腦視覺技術都需要仰賴足夠大的記憶體（RAM）以及較高的計算速度（CPU、GPU）裝置才能夠順利運行，以 Edge Impulse 中 Classification Modle MobileNetV1 48×48 0.25 為例，硬體裝置需要 75 KB RAM，308 KB Flash ROM，如下圖所示：

因此在應用影像辨識時需要有一定等級的 MCU 才可順利運行，更進階的模型就需要更大的 RAM 以及運算速度更高的 CPU 或 GPU （ex: Raspberry Pi 4、Jetson Nano）。

請接續「Edge Impulse 影像辨識實作：資料收集（Part 2）」。

更多有趣系列教學文章

• CIRCUS Pi 技術文章
• Pixel:Bit 系列
• AI 人工智慧
• IoT 物聯網
• LinkIt 系列
• Arduino 系列
• micro:bit 系列
• M5Stack 系列
• ESP32 系列
• Jetson Nano 系列
• Raspberry Pi 樹莓派 系列
• ROS 機器人作業系統
• Maker 手作品