Machine Learning Prático com reTerminal: Guia de Demos Edge Impulse e ARM NN

8 GB RAM, 32 GB eMMC Raspberry Pi CM development board com touchscreen de 5 polegadas e riqueza de interfaces.

História

Posts anteriores exploraram TinyML no Wio Terminal, uma placa Cortex-M4F com LCD robusto. Seeed Studio expandiu agora o conceito com o reTerminal – uma placa baseada no Raspberry Pi 4 Compute Module com display integrado.

Desembalei o reTerminal, gravei um breve vídeo demo e estou escrevendo este artigo complementar para orientá-lo na configuração do ambiente e demonstrações de machine learning.

Especificações

O reTerminal é alimentado por um Raspberry Pi Compute Module 4 com CPU quad-core Cortex-A72 a 1,5 GHz, 4 GB de RAM e 32 GB de armazenamento eMMC. Estas specs entregam boot rápido e experiência de usuário responsiva. Seu display capacitivo IPS de 5 polegadas oferece resolução 1280 × 720, enquanto periféricos integrados incluem acelerômetro, relógio em tempo real, buzzer, quatro botões táteis, quatro LEDs de status e sensor de luz. Opções de conectividade compreendem Wi-Fi dual-band 2,4 GHz/5 GHz, Bluetooth 5.0 BLE e porta Ethernet Gigabit.

Requisitos de energia espelham os do Raspberry Pi 4: um adaptador padrão 5V/2A é suficiente, mas o fabricante recomenda fonte 5V/4A para máxima estabilidade, especialmente quando periféricos adicionais estão conectados. Em nossas demos, o adaptador 5V/2A funcionou de forma confiável, ainda assim aconselhamos errar pelo lado da cautela com uma unidade 5V/4A.

A placa vem com SO Raspbian 32-bit pré-carregado com todos os drivers necessários. Para cargas de trabalho de machine learning, uma imagem Raspbian 64-bit – também fornecida pela Seeed Studio – oferece aumento de desempenho notável.

O teclado na tela do touchscreen aparece automaticamente quando entrada de texto é necessária e pode ser desabilitado nas configurações. Embora Raspbian não seja um SO otimizado para mobile, a interface é usável para elementos de UI maiores. Para experiência mais touch-friendly, considere explorar opções de SO experimentais como Ubuntu Touch.

Iniciar um aplicativo QT de exemplo demonstra a capacidade da placa de exibir dados de sensores e controlar interfaces. Com targets de toque apropriadamente dimensionados, a tela de 5 polegadas prova ser muito responsiva.

Detecção de Objetos com Edge Impulse

O novo suporte de deployment Linux do Edge Impulse permite treinar e rodar modelos diretamente no reTerminal. Capture imagens com uma câmera conectada, treine o modelo na nuvem e implante localmente com o edge-impulse-linux-runner.

Instalação é direta:

curl -sL https://deb.nodesource.com/setup_12.x | sudo bash -
sudo apt install -y gcc g++ make build-essential nodejs sox gstreamer1.0-tools gstreamer1.0-plugins-good gstreamer1.0-plugins-base gstreamer1.0-plugins-base-apps
npm config set user root && sudo npm install edge-impulse-linux -g --unsafe-perm

Uma vez instalado o CLI do Edge Impulse, conecte uma câmera – por exemplo, uma webcam USB. Se preferir o módulo de câmera Raspberry Pi, habilite via raspi-config.

Antes da coleta de dados, certifique-se que o Dashboard > Project info > Labeling method do projeto está definido como Bounding boxes (object detection). Capture pelo menos 100 imagens por classe. Embora você possa fazer upload de imagens brutas, anotações devem ser realizadas manualmente na aba Data Acquisition.

Após coletar e rotular seu dataset, crie um Impulse selecionando bloco de processamento Image e bloco de aprendizado Object Detection (Images). Como um dataset modesto não pode treinar uma rede grande do zero, fazemos fine-tune de um backbone MobileNetV2-SSD pré-treinado. Valores padrão para epochs, learning rate e threshold de confiança geralmente são suficientes; o pipeline de detecção não é exposto no modo Expert, então esses parâmetros permanecem fixos.

O treino roda na CPU e pode levar um tempo, dependendo do tamanho do dataset. Durante este tempo, uma bebida de sua escolha é recomendada.

Quando o treino completa, inicie o edge-impulse-linux-runner para baixar o modelo e iniciar inferência ao vivo:

edge-impulse-linux-runner

O runner prepara automaticamente o modelo e transmite resultados para um navegador. No terminal, você verá uma linha similar a:

Quer ver um feed da câmera e classificação ao vivo no seu navegador? Acesse https://192.168.1.19:4912

Clique no link para ver o feed de câmera ao vivo e saída de inferência. O backbone MobileNetV2-SSD entrega aproximadamente 2 FPS (~400 ms por frame). Como a inferência não é realizada em cada frame, bounding boxes podem persistir brevemente após um objeto desaparecer.

O suporte Linux do Edge Impulse ainda está evoluindo, então espere melhorias contínuas de performance e fluxos de upload de dados mais suaves no futuro próximo.

Inferência Acelerada com ARM NN

Embora o Raspberry Pi 4 não tenha um acelerador ML dedicado, você pode exceder taxas de inferência em tempo real por:

• Escolher modo de inferência leve.
• Utilizar todos os quatro núcleos CPU e extensões SIMD ARM NEON para processamento paralelo.

O runtime ARM NN, otimizado para NEON, aumenta ainda mais a performance compilando o modelo em kernels altamente eficientes.

Fonte: reTerminal Machine Learning Demos (Edge Impulse and Arm NN)