這篇文章將會接續上一篇「Edge Impulse 影像辨識實作：資料收集（Part 2）」。

教學原文參考：Edge Impulse 影像辨識實作(下)：模型訓練與使用

一、前言

在 Pixel:Bit 教學(五) 中我們介紹了什麼是 TinyML，在 TinyML 中 Edge Impulse 所扮演的角色，以及 Edge Impulse 提供了哪些服務，最後更帶大家從 Pixel:Bit 收集圖片資料，轉交 Edge Impulse 做初步的資料預處理及特徵提取。這個單元將帶大家繼續完成「模型訓練&驗證」、「模型測試」、「模型部屬」三個部分，達到實際使用 Pixel:Bit 實作影像分類的功能。

二、模型訓練

在 Pixel:Bit 教學(五) 文章中我們已經上傳四個類別（剪刀、石頭、布、背景）的資料，並經過 Edge Impulse 提供的特徵提取功能取出資料特徵值，接著我們需要將這些有用的資料進行遷移學習（Transfer learning）訓練。

圖片來源

遷移學習（Transfer learning）是屬於機器學習的一種研究領域，它專注於儲存已有問題的解決模型，並將其利用在其他不同但相關問題上；比如說，用來辨識汽車的知識也可以被用來提升識別卡車的能力，因此我們可容易的從既有已訓練的模型中繼承其經驗，讓它能以少量資料學習新事物。

接下來就依照以下步驟一起進行模型訓練：

1. 選擇左側欄 Transfer learning
2. 訓練數值設定
   • 設定 Training Cycles 為 200 次（若訓練結果不理想可再提高次數，但須注意過擬合問題，即模型只學會了訓練資料的內容，對於未知的資料缺乏分辨的能力）。
   • Learning rate（學習速率）使用預設 0.0005。
   • Validation set size（驗證資料比例）使用預設 20%。
   • 若各類別資料數量不一，可以勾選 Auto-balance dataset 選項，它將會自動平衡所有類別資料，讓訓練過程不會因為某類資料特別多而特別偏向那一個類別。
   • 若想要增加其餘不同環境資料可勾選 Data augmentation，它將會對原始資料做特殊處理（如變色、亮度、旋轉、鏡像、加入雜訊等）以增加資料量，若訓練結果總是過擬合也可以試試此選項，加入不同環境資料可讓模型更容易學習到真正的重點（例如模型原本的學習結果可能需要在某種亮度才可正確推論結果，一旦環境亮度改變它將變得不準確），此時加入對資料亮暗度的改變，讓模型適應亮與暗的環境，盡可能去學習其他特點，例如輪廓，慢慢的讓模型學會其中的重點。
3. 模型的選擇，經過我們反覆測試，在輸入圖像尺寸 48 x 48 下，因 RAM 限制，Pixel:Bit 最大能夠使用的模型為「MobileNetV1 96×96 0.25」，所以最終我們選擇它作為我們的遷移學習模型。
4. 在確認好我們的模型及相關參數後我們就可按下 Start training，Edge Impulse 將會在線上幫我們訓練模型。

訓練完畢後我們可在頁面右側看到訓練完的準確度、損失及相關資訊，從下圖中我們可以看到此次訓練準確度達 86%，LOSS 0.34，並且可以看到每一類別的準確度，其中我們可以發現「剪刀（SCISSORS）」類別準確度最低只有 75%，有高達 18% 被認為是「布」類別（可能他們差異不大，難道是因為差三根手指頭而已？？），但也還在可接受的範圍內；最後我們可在下方看到預估的「推論速度」、「RAM、FLASH使用量」，讓我們初步評估是否適合運行在目標裝置上。

三、模型測試

圖片來源

模型經過 Edge Impulse 訓練完成後接著就需要測試模型，還記得最初上傳圖片資料時我們選擇「自動拆分資料到訓練、驗證、測試階段」選項，所以每個階段會取各自的資料做處理，在訓練階段它將會針對訓練資料做訓練，訓練過程透過驗證資料驗證準確度。

其中若我們沒有透過測試階段測試模型，單純只看訓練後驗證的準確度，就有可能會產生過擬合（如上圖）的問題，即誤以為模型訓練的結果似乎很好，能夠準確分辨所有事物，但其實模型只是學會了表面工夫，對於沒有學習過的資料實際上是一竅不通，所以最終我們還是需要進一步測試模型，以確保模型對於一些未知的資料也能夠擁有較高的辨識準確度。

1. 點選 Model testing 進到測試頁面。
2. 點選 Classify all 將所有測試資料進行影像分類。

分類完畢後我們可以看到有哪些資料分類錯誤，並且可以進一步查看或移動資料到訓練資料集內。

從下圖我們可看到整體分類後的準確度高達 84%，並且一樣是「剪刀」類別準確度最低，只有 73%，但也還在可接受的範圍內；整體準確度與訓練後驗證準確度相符，所以我們可以有比較高的信心認為此模型應該沒有問題。

請接續「Edge Impulse 影像辨識實作：模型訓練與使用（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