Imagimob Studio 操作指南

speaker1

歡迎大家來到我們的播客！今天我們將探討如何使用 Imagimob Studio 生成模型。我是你的主持人，和我一起的是我們的共同主持人。我們將會一步步走過從數據收集到模型部署的整個過程。這是一個非常強大的工具，可以幫助你在嵌入式設備上輕鬆部署機器學習模型。

speaker2

嗨，大家好！我非常期待今天的播客。Imagimob Studio 是什麼？它有哪些特別的功能呢？

speaker1

Imagimob Studio 是一個用於嵌入式環境的機器學習模型生成和部署工具。它提供了從數據收集、標籤、預處理到模型生成和驗證的完整流程。最棒的是，它還支持將模型部署到像 PSoC™ Edge E84 MCU 這樣的設備上。這樣你就可以在你的嵌入式應用中使用這些模型了。

speaker2

聽起來真的很強大！可以舉個例子嗎？比如，我們可以用 Imagimob Studio 來做些什麼應用？

speaker1

當然可以！一個典型的例子是人體活動識別（Human Activity Recognition）。你可以在智能手錶或其他可穿戴設備上使用這個模型，來識別用戶是在坐著、站著、走路還是跑步。另一個例子是嬰兒哭泣檢測（Baby Crying Detection），這可以幫助父母及時了解嬰兒的需要。

speaker2

哇，這些應用真的很有趣！接下來，我們如何開始創建一個專案呢？

speaker1

好的，首先你需要安裝 Imagimob Studio。你可以從 Imagimob 的官網下載並安裝它。安裝完成後，打開 Imagimob Studio，選擇 New Project。在歡迎頁面，你可以選擇 Human Activity Recognition 或者 Baby Crying Detection 作為你的起點。輸入你的專案名稱和保存位置，勾選 Download Project Data，然後點擊 OK。

speaker2

了解了！那數據收集是怎麼進行的呢？可以詳細說說嗎？

speaker1

數據收集是模型訓練的第一步。你需要將你的 PSoC™ Edge E84 MCU 評估板連接到電腦，並使用 Imagimob 的 Capture Server 腳本來收集數據。對於 IMU 数据，運行以下命令：python generic_local_capture_interface.py --data-filename accel --output-dir data --protocol serial --COM-port COMxxx --baudrate 115200 --data-type f --samples-per-packet 3 --features 3。對於 PDM/PCM 数据，運行以下命令：python generic_local_capture_interface.py --output-dir data --protocol serial --COM-port COMxxx --baudrate 576000 --data-format .wav --data-type h --samples-per-packet 1024 --features 1 --sample-rate 16000 --video-disabled。

speaker2

數據收集完畢後，接下來是如何標籤數據呢？這一步很重要吧？

speaker1

確實很重要！數據標籤允許你將原始數據標記為預期的分類。當模型進行訓練時，這些數據會被用來調整模型的權重。在 Imagimob Studio 中，你可以打開 Data 視圖，選擇 Add Data，然後選擇你的數據文件夾。選擇 Nested structure，並確保你的數據文件顯示正確。接下來，你可以在 Label 軌道中添加標籤，設置開始時間、持續時間和信心度。標籤完成後，記得保存並重新掃描數據。

speaker2

數據預處理是什麼意思呢？可以簡化這個過程嗎？

speaker1

數據預處理是指將原始數據轉換為適合模型訓練的格式。Imagimob Studio 提供了一個預處理管道，你可以根據需要添加或刪除層。例如，你可以添加一個滑動窗口層，或者進行標準化處理。這些預處理層可以顯著提高模型的訓練效果。通常，這些預處理步驟在數據標籤後進行，以確保數據的一致性和質量。

speaker2

模型生成是什麼樣的過程？有什麼需要注意的嗎？

speaker1

模型生成是將標籤和預處理後的數據轉換為可以訓練的機器學習模型。在 Imagimob Studio 中，你可以選擇 Training 視圖，然後選擇一個預定義的模型架構進行訓練。例如，Human Activity Recognition 模型包括五個卷積層，每層都有一個批量規範化層、ReLU 激活層和最大池化層。訓練模型時，你需要確保數據格式和模型架構兼容。訓練完畢後，模型會自動進行驗證，你可以查看模型的精度和性能。

speaker2

模型驗證是如何進行的呢？可以分享一個具體的例子嗎？

speaker1

模型驗證是確保模型在新數據上的表現是否達到預期。在 Imagimob Studio 中，你可以選擇 Evaluation 視圖，然後選擇一個驗證數據集。例如，你可以使用一部分未標籤的數據來驗證模型的性能。驗證過程中，模型會對每個數據點進行分類，並與真實標籤進行比較。驗證結果會顯示模型的精度、召回率和其他重要指標。如果模型表現不理想，你可以進一步調整數據標籤或模型架構。

speaker2

模型部署是怎樣進行的呢？可以詳細說明一下嗎？

speaker1

模型部署是將訓練好的模型應用到嵌入式設備上的過程。在 Imagimob Studio 中，選擇 Code Gen 視圖，然後配置生成的源代碼。你需要指定生成的文件名和 C 前綴。例如，生成 IMU 模型時，你可以將 Output Name 設置為 imu_model，將 C Prefix 設置為 IMAI_IMU_。生成的源代碼會包含初始化、數據入隊和出隊的函數。將生成的模型文件和相應的源代碼複製到你的 ModusToolbox™ 專案中，然後重新構建和編程設備。這樣你的模型就可以在 PSoC™ Edge E84 MCU 上運行了。

speaker2

IMU 和 PDM/PCM 模型有哪些具體的應用呢？可以分享一些案例嗎？

speaker1

當然可以！IMU 模型的應用非常廣泛，例如在智能手錶中，它可以識別用戶的活動狀態，如坐著、站著、走路或跑步。另一個例子是在智能家居系統中，它可以檢測用戶在家中的活動模式，以調整家電的運行狀態。PDM/PCM 模型則常用於語音識別和音頻分析。例如，嬰兒哭泣檢測模型可以幫助父母及時了解嬰兒的需求，或者在智能音箱中檢測特定的語音命令。

speaker2

這些應用真的很棒！最後，我們可以來一個具體的案例研究嗎？比如，人體活動識別的實際應用。

speaker1

非常好！讓我們來看一個具體的人體活動識別案例。假設你在開發一個智能手錶應用，你需要這個應用能夠識別用戶是否在坐著、站著、走動或跑步。首先，你會使用 Imagimob Studio 收集 IMU 数据，標記不同的活動狀態。接下來，你會進行數據預處理，例如使用滑動窗口技術。然後，你會訓練一個卷積神經網絡模型，並進行驗證。最後，你會將模型部署到 PSoC™ Edge E84 MCU 上，這樣手錶就可以實時識別用戶的活動狀態了。

speaker2

太棒了！我已經迫不及待要開始嘗試這些功能了。感謝你今天的分享，真的受益匪淺！

speaker1

非常感謝你的參與！希望今天的播客能夠幫助你更好地理解和使用 Imagimob Studio。祝你在機器學習的道路上越走越遠，我們下次再見！