這篇文章將會接續上一篇「Edge Impulse 影像辨識實作：資料收集（Part 1）」。
教學原文參考：Edge Impulse 影像辨識實作 (上)：資料收集
Edge Impulse 平台提供一系列機器學習相關的服務功能（如下圖所示），從資料收集、資料預處理、特徵提取、模型建立、訓練、驗證，一直到最後的模型部屬，其目標是優化各種模型並運行在各種運算能力受限的裝置上（如 MCU）。
接下來我們將會使用 Pixel:Bit 搭配 Edge Impulse 實現影像分類，本次教學我們使用「剪刀、石頭、布」的手勢來作為分類內容示範，目標是能透過 Pixel:Bit Camera 正確辨識我們的手勢，我們將操作步驟分為「資料收集」、「上傳資料」、「特徵提取」、「模型訓練&驗證」、「模型測試」、「模型部屬」六個部分，現在我們就開始一步步實作吧！（本篇會先介紹前三個步驟，其他步驟會在下篇文章中說明）。
機器學習最麻煩也是最基礎的第一個步驟就是「收集資料」，我們需要讓機器從這些照片中學習我們想要它學習的內容，我們將會透過 Pixel:Bit 的 Camera 搭配一些工具來收集要訓練的影像資料，分別為「剪刀」、「石頭」、「布」和「背景」四類，每類各一千張照片，共計四千張（看到這邊是不是準備要打退堂鼓了呢？別擔心！我們將會透過一些小工具幫助我們快速收集資料）。
首先下載所有「PixelBit_Example」，並在 Arduino IDE 中將範例
PixelBit_CameraWebServer_ESP32.ino 第 25、26 行 ssid、password 改為自己所處環境中 Wi-Fi 的帳號密碼，接著即可燒錄至 Pixel:Bit；此範例會在 Pixel:Bit Camera 影像模擬 Web Server 觀看，接著我們會說明在 PC 上使用 Python 撰寫的小工具「captureEsp32cam.exe」，在與 Pixel:Bit 連上相同網域的情況下開啟並收集圖像資料。
開啟 Arduino IDE 序列埠視窗，會看到如下圖所示的畫面，若順利連上 Wi-Fi 將會顯示分配到的 IP 位置。
在電腦任意位置新增四個資料夾分別用來存放四種類別圖片資料，布、石頭、剪刀、背景（未知：unknow，其他的影像或手勢），如下圖所示：
開啟「captureEsp32cam.exe」小工具，檔案位於
PixelBit_Example\03_EdgeImpulse\Tool\ 底下，輸入序列埠視窗中的 IP 位置，本次示範所使用的 IP 為 192.168.1.60，將要儲存圖片類別資料夾拖入此工具（即輸入資料夾絕對路徑），按下 Enter 後此工具會自動抓取 Pixel:Bit 即時影像，並開啟新視窗顯示，如下圖所示：
按住視窗任意位置即可連續擷取影像存為照片（左上角黃色數字為目前擷取照片總數，目標為 1000 張）影像擷取的過程中，可隨意改變或移動手的方向，直到 1000 次才停止，過程中程式會自動增加旋轉及變色後的照片，如下圖所示：
重複上述方式，直到所有類別（剪刀、石頭、布、背景）圖片資料都收集完畢即可。
上傳資料前需要先新增一個 Edge Impulse 專案，輸入一個專案名稱，這裡使用「PixelBit」，如下圖所示：
選擇圖片（Images）作為我們要處理的資料類型。
選擇影像分類（image classification）。
接著我們將上一個步驟中所收集到的四類圖片依序上傳至 Edge Impulse，首先點選左側 Data acquisition，再點選上傳圖示切換到上傳頁面，如下圖所示：
接著點選「瀏覽」選取單一類別所有圖片，選擇自動分割資料到訓練、驗證、測試階段（Automatically split between training and testing），輸入此類別名稱（Enter label），例如 paper，開始上傳資料（Begin upload），如下圖所示：
為了讓這些原始資料（圖片）更具有意義，我們將對這些資料做特徵的提取，例如：假設您有一個變數，用來擷取事件發生的日期和時間，這個日期和時間不會再次發生，因此不適合用來預測目標。不過，如果將此變數轉換成一天中小時、星期幾和月份的特徵，這些變數就能用來了解事件是否傾向於特定的小時、星期幾或月份發生。這種特徵處理可形成供學習的更一般化資料點，顯著改善預測模型；這個步驟也包含在
Edge Impulse 中，我們可以直接使用它，相當方便。
點選「Create impulse」，設定圖片輸入大小為「48*48」，Resize mode 設為「Squash」，選擇圖像預處理功能，學習方式為 Transfer Learning（遷移學習），最後儲存，如下圖所示：
點選「Save parameters」。
點選「Generate features」產生特徵。
產生完畢可在右側看到每張圖片的在三維圖形中的分布點，如下圖所示：
以上就是我們這次 Edge Impulse 影像辨識實作（Part 1~2）：資料收集，我們學習到何謂 TinyML、瞭解 Edge Impulse 扮演什麼樣的角色？以及如何從 Pixel:Bit 收集圖像資料並轉交 Edge Impulse 處理，最後提取圖片資料特徵值。
下一篇我們將會繼續學習「模型訓練 & 驗證」、「模型測試」、「模型部屬」三個部分，如果夥伴們已經完成這個單元中的「資料收集」、「上傳資料」、「特徵提取」，現在就趕快一起進入下一單元一起學習吧！
iThome鐵人賽
看影片追技術