這篇文章將會接續上一篇「Edge Impulse 影像辨識實作：模型訓練與使用（Part 1）」。

教學原文參考：Edge Impulse 影像辨識實作(下)：模型訓練與使用

四、模型部屬

測試完模型後，最後一個步驟也是我們辛苦這麼久最期待的步驟，即模型的部屬，將訓練好的模型放入我們的 Pixel:Bit 中，實際在 Pixel:Bit 推論，現在就讓我們來看看實際的效果如何吧！

1. 選擇左側 Deployment 選項進入模型部屬頁面。
2. 因我們的開發平台使用 Arduino，所以選擇 Arduino Library，若是單純使用 C++ 開發可選擇 C++ Library，STM 系列 MCU 可選擇搭配 Cube.MX Library。

最終按下 Build 將我們的 Model 及相關推論所需的 Library 下載到 PC 端，並且將此 Library 解壓縮至 Arduinio 預設 Library 存放的路徑底下（C:\Users\xxxx\Documents\Arduino\libraries\）。

緊接著我們開啟上一篇中下載的 Pixel:Bit 範例程式「PixelBit_EdgeImpulse_ESP.ino」，同樣自行更改第 16、17 行 Wi-Fi 帳號密碼。

並且修改「app_httpd.cpp」檔案中第 19 行 Library 名稱，請更改為與先前下載的 Edge Impulse Library 相同名稱（名稱會依照 Edge Impulse 專案名稱），最後將程式碼上傳至 Pixel:Bit 就大功告成啦！

上傳完畢後開啟序列埠視窗，應該會看到如下圖所示畫面。

打開瀏覽器進入指示的 IP 位置即可看到如下圖所示的推論頁面（本教學的 IP 為 192.168.1.76）。

接下來依照以下步驟調整內容：

1. 啟用 Edge Impulse Inference。
2. 按下 Start Stream 啟用串流畫面即可在右側看到即時的串流畫面。
3. 接著按下 Run inference 即可擷取照片並進行推論。

• 按下推論後圖片將會被縮為 48×48 大小供輸入模型，並且在圖片右側顯示推論結果，如下圖我們擺出「布」的圖案，從推論結果可以發現準確度高達 99%，如下圖所示：

• 如果擺出「剪刀」的圖案，準確度 80%，如同先前順練時的狀況，剪刀這個類別的準確度偏低，可能稍微容易被認為是「布」的類別，如下圖所示：

擺出「石頭」的圖案，準確度 99%，如下圖所示：

• 最後使用剛剛的程式「未知」的圖案，準確度 94%，如下圖所示：

除了從網頁觀看推論結果外，也可透過序列埠視窗查看，並且可以發現每次推論花費的時間為 0.6 秒左右，如下圖所示：

五、小結

以上就是這次的 Pixel:Bit 教學，只要使用 Pixel:Bit 本身的高畫質相機並且搭配 Edge Impulse 就可玩出許多新應用，例如這次示範的辨識剪刀、石頭、布，未來可以在這個基礎上搭配 Pixel:Bit 的 TFT 衍生製作出自動猜拳機，讓我們這種邊緣人在無法做出決定的時候也能找個對手玩猜拳XD。

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