ข้ามไปยังเนื้อหา
TESA Open Knowledge

หกโมเดลกับ edge_ai API: แอปที่โฟกัสโมเดลเดียว

โมดูล 6 — แอป Edge AI · สไลด์: slides.md · ภาพรวมโมดูล · หน้าหลักสูตร

เปิดโมดูลแอป จากเมนูที่ให้เลือกทุกโมเดลไปสู่แอปที่โฟกัสโมเดลเดียว เล็งโมเดลด้วย find_model() แทนเลข index อ่าน scores ทุกคลาสกับ latency_ms ให้เป็น และต่อ verdict เข้ากับ action แรกคือการนับเมื่อคลาสเป้าหมายมั่นใจถึง CONF_FLOOR เฉพาะจังหวะขอบขาขึ้น

เป้าหมาย

หัวข้อที่มีชื่อว่า “เป้าหมาย”

เมื่อจบบทเรียนนี้ คุณจะ:

  1. เปรียบเทียบแอปเมนูกับแอปโฟกัสโมเดลเดียว และบอกได้ว่างานแบบใดควรใช้แบบใด
  2. อธิบาย find_model() ที่ถอยสามชั้น (ชื่อ → เซนเซอร์ → ตัวแรก) และเหตุผลที่ไม่ควร hard-code เลข index ของโมเดล
  3. อ่าน dict ของ edge_ai.result() ได้ครบ ทั้ง top ที่มาจาก argmax, conf ที่เป็นคะแนนสูงสุด, scores ทุกคลาส, latency_ms และ seq ที่ใช้วาดจอเฉพาะผลใหม่
  4. เขียนเงื่อนไขนับ label == TARGET_CLASS และ conf ≥ CONF_FLOOR (0.50) ที่นับเฉพาะขอบขาขึ้น และอธิบายขีดจำกัดของโมเดล Ready-Model แบบประเมินผล

ก่อนเริ่ม

หัวข้อที่มีชื่อว่า “ก่อนเริ่ม”

ผ่านโมดูล 1 มาแล้ว เคยใช้ edge_ai.models(), select(), result() และ stop() และจำโครง verdict สู่ action จากบทเรียน 1.6 ได้ เปิดตัวอย่าง 16_edge_ai_sound_events.py ไว้ใน BENTO IDE

  • อุปกรณ์: บอร์ด TESAIoT Dev Kit ที่ลงเฟิร์มแวร์ MicroPython ของ BENTO แล้ว หรือ BENTO Emulator ใน BENTO IDE — บน Emulator คะแนนของโมเดลเป็นค่าจำลอง โมเดลเสียงขยับตามลูกบิด POTEN แต่คลาสเหตุการณ์ยังไม่ชนะ unlabelled และไม่มีโมเดล Push เสียงจริงกับเรดาร์ต้องใช้บอร์ด
  • เรียนมาก่อน: บทเรียน 5.9 — ลงมือทำ: เทียบสามเป้าหมาย MCU, Web และ PC

ดูของจริงก่อน

หัวข้อที่มีชื่อว่า “ดูของจริงก่อน”

รัน 16_edge_ai_sound_events.py บนบอร์ดแล้วสลับ Cough, Alarm และ Siren ใน dropdown เดียว ดูแถบสองคลาสขยับเมื่อมีเสียง ถามตัวเองว่า ถ้าเครื่องนี้ต้องนับเสียงไอในห้องผู้ป่วยทั้งคืน ผู้ใช้ควรต้องเลือกโมเดลเองหรือไม่

แนวคิด

หัวข้อที่มีชื่อว่า “แนวคิด”

เมนูเลือกโมเดลเหมาะกับการสำรวจและเดโม แต่สินค้าจริงแทบทั้งหมดเป็น แอปโฟกัส: เล็งโมเดลเดียวตอนเปิดแอป UI ออกแบบเฉพาะงาน และต่อ verdict เข้ากับ action ตัวอย่าง 13 ถึง 16 มีก้อนเดียวกัน คือ find_model() → select() → ลูป result() → วาด verdict กับแถบ → finally: stop() บนบอร์ดมีหกโมเดล (Motion, Baby Cry, Push, Cough, Alarm, Siren) ส่วน Emulator มีห้า ลำดับจึงไม่เท่ากัน find_model() หาจากคีย์เวิร์ดในชื่อก่อน ไม่เจอค่อยใช้โมเดลแรกที่ตรง sensor (เช่น edge_ai.SENSOR_MIC = 2) และสุดท้ายใช้ตัวแรกกันแอปล่ม select(3) ตายตัวจะพังทันทีที่ทะเบียนเปลี่ยน

dict ของ result() ให้มากกว่าคลาสที่ชนะ: top คือ $\hat{y} = \arg\max_i s_i$ conf คือ $s_{\hat{y}}$ scores ใช้วาดแถบทุกคลาสให้เห็นว่าโมเดลลังเลหรือชัวร์ latency_ms บอกเวลาอนุมานบน NPU ซึ่งต่างกันตามโมเดล และ seq ใช้วาดจอเฉพาะเมื่อมีผลใหม่ argmax เลือกผู้ชนะเสมอแม้ 0.51 ต่อ 0.49 เราจึงตั้งประตูของ action: นับเมื่อ r['label'] == TARGET_CLASS and r['conf'] >= edge_ai.CONF_FLOOR (0.50) และนับเฉพาะ ขอบขาขึ้น (is_target and not was_target) เพราะไอหนึ่งครั้งกินหลายผลอนุมาน ตั้งเกณฑ์สูงได้ความชัวร์แต่พลาดเสียงเบา ตั้งต่ำจับไวแต่ false positive มาก

Cough, Alarm และ Siren เป็น DEEPCRAFT Ready-Model ของ Imagimob AB (บริษัทในเครือ Infineon) แบบประเมินผล ใช้ได้เพื่อการทดลองเท่านั้น และจำกัดจำนวนครั้งอนุมาน ถ้าผลค้างนิ่งและ seq ไม่ขยับ นั่นคือเพดานของโมเดล ไม่ใช่โค้ดพัง ผู้เขียนแนะนำให้รีบูตบอร์ด เมื่อฝึกโมเดลเองได้แบบโมดูล 5 ข้อจำกัดนี้ก็หายไป

ตัวอย่างสมบูรณ์

หัวข้อที่มีชื่อว่า “ตัวอย่างสมบูรณ์”

14_edge_ai_babycry.py การ์ดผลลัพธ์กับแถบความมั่นใจของโมเดลไมค์ 15_edge_ai_radar_push.py โมเดลเรดาร์ Push (ยืนห่างราว 60 ซม. ต้องใช้บอร์ดที่มีเรดาร์) 16_edge_ai_sound_events.py เมนูย่อยสามโมเดลเสียง 17_latency_min_max_avg.py เก็บ latency 20 รอบแล้วสรุปต่ำสุด สูงสุด เฉลี่ย และ 18_switch_cost.py จับเวลาการสลับโมเดลด้วย select() ให้เห็นว่าการสลับถี่ ๆ มีราคา (สองไฟล์หลังย้ายมาจากคอร์ส AIoT ของผู้เขียน)

ไฟล์ ไฟล์นี้สอน
examples/14_edge_ai_babycry.py Edge AI: Baby Cry (ไมโครโฟน) — ตรวจเสียงเด็กร้องบนบอร์ด (ไม่ต้องต่อเน็ต)
examples/15_edge_ai_radar_push.py Edge AI: Radar Push (เรดาร์ 60 GHz) — จำแนกท่าทางมือด้วยเรดาร์บนบอร์ด
examples/16_edge_ai_sound_events.py Edge AI: Sound Events (Cough / Alarm / Siren) — 3 โมเดลไมค์ ใน dropdown เดียว
examples/17_latency_min_max_avg.py วัดว่าโมเดลใช้เวลาคิดนานแค่ไหน
examples/18_switch_cost.py สลับโมเดลระหว่างที่โปรแกรมกำลังรัน

สไลด์ของบทเรียนนี้อ้างถึงไฟล์ที่อยู่ในบทเรียนอื่นหรือใน shared/ ด้วย:

เช็กความเข้าใจ

หัวข้อที่มีชื่อว่า “เช็กความเข้าใจ”

คำถามชุดเดียวกันอยู่ใน quiz.yaml สำหรับระบบที่ตรวจอัตโนมัติ

  1. เครื่องนับเสียงไอข้างเตียงผู้ป่วยควรเป็นแอปแบบใด (เลือกหนึ่งข้อ · เป้าหมายข้อ 1)

    • ก) เมนูที่ให้ผู้ใช้เลือกโมเดลเองทุกครั้ง
    • ข) แอปโฟกัสที่เล็งโมเดล Cough ตั้งแต่เปิด และต่อ verdict กับการนับ
    • ค) แอปที่สลับทุกโมเดลทุกวินาที
    • ง) ไม่ต้องมีแอป ใช้ REPL
    เฉลย

    ข — ผู้ใช้ปลายทางไม่ควรต้องรู้ว่ามีโมเดลอะไร เมนูเหมาะกับการสำรวจและเดโม แอปโฟกัสเหมาะกับงานจริง

  2. ทำไม find_model((“cough”,), edge_ai.SENSOR_MIC) จึงดีกว่า edge_ai.select(3) (เลือกหนึ่งข้อ · เป้าหมายข้อ 2)

    • ก) เร็วกว่า
    • ข) หาโมเดลจากชื่อ จึงยังถูกตัวแม้ลำดับทะเบียนเปลี่ยน เช่น Emulator ที่ไม่มี Push ทำให้ Cough อยู่ index 2
    • ค) ใช้หน่วยความจำน้อยกว่า
    • ง) select(3) ใช้ไม่ได้บนบอร์ด
    เฉลย

    ข — บนบอร์ด Cough อยู่ index 3 แต่บน Emulator อยู่ index 2 การถามทะเบียนด้วยชื่อทำให้โค้ดชุดเดียวใช้ได้ทั้งสองที่

  3. r[‘scores’] = [0.12, 0.88] ของโมเดล [‘unlabelled’, ‘cough’] ค่า r[‘top’] และ r[‘conf’] คืออะไร (เลือกหนึ่งข้อ · เป้าหมายข้อ 3)

    • ก) top = 0, conf = 0.12
    • ข) top = 1, conf = 0.88
    • ค) top = 0.88, conf = 1
    • ง) top = 1, conf = 0.12
    เฉลย

    ข — top คือ index ของคะแนนสูงสุด (argmax) conf คือค่าคะแนนนั้นเอง คลาสที่ชนะจึงเป็น cough ด้วยความมั่นใจ 0.88

  4. ไอหนึ่งครั้งยาวสามผลอนุมาน ได้ conf ของ cough เป็น 0.8, 0.9, 0.85 แล้วตกลง ตัวนับแบบขอบขาขึ้นเพิ่มกี่ครั้ง (เลือกหนึ่งข้อ · เป้าหมายข้อ 4)

    • ก) 0
    • ข) 1
    • ค) 3
    • ง) 2
    เฉลย

    ข — นับเฉพาะตอนเปลี่ยนจากไม่เข้าเป้าเป็นเข้าเป้า ตราบใดที่ยังค้างเหนือเกณฑ์จะไม่นับซ้ำ ไอหนึ่งครั้งจึงได้ 1

  5. แอป Cough ทำงานดีมาสักพัก แล้วผลค้างนิ่งและ seq ไม่ขยับ สาเหตุที่น่าจะเป็นที่สุดคืออะไร (เลือกหนึ่งข้อ · เป้าหมายข้อ 4)

    • ก) โค้ดมี memory leak
    • ข) โมเดล Ready-Model แบบประเมินผลถึงเพดานจำนวนครั้งอนุมาน
    • ค) CONF_FLOOR ตั้งผิด
    • ง) ไมค์เสีย
    เฉลย

    ข — โมเดลประเมินผลจำกัดจำนวนครั้งอนุมาน นี่คือลักษณะของใบอนุญาต ไม่ใช่บั๊กในโค้ด โมเดลที่ฝึกเองไม่มีข้อจำกัดนี้

แล็บ

หัวข้อที่มีชื่อว่า “แล็บ”
  • รัน 17_latency_min_max_avg.py กับ TARGET = "motion" แล้วเปลี่ยนเป็น "cough" จดต่ำสุด สูงสุด และเฉลี่ยของทั้งสองลงบันทึกการเรียน
  • เขียน find_model() ด้วยมือในบันทึกการเรียน แล้วอธิบายว่าบน Emulator ที่ไม่มี Push ทำไม select(3) จึงได้โมเดลคนละตัวกับบนบอร์ด
  • วาดกราฟ conf ของคลาส cough ตามเวลาแบบคร่าว ๆ แล้วทำเครื่องหมายจุดที่ต้องนับตามกฎขอบขาขึ้น

ไปต่อ

หัวข้อที่มีชื่อว่า “ไปต่อ”

บทเรียน 6.2 เราจะเติม s15_apps.py ให้เป็นแอปนับเสียงไอ แล้วรีทาร์เก็ตเป็น Alarm หรือ Siren ด้วยการแก้แค่สองบรรทัดบนหัวไฟล์

บทเรียนถัดไป: บทเรียน 6.2 — ลงมือทำ: แอปโฟกัสของเราเอง

สะท้อนคิด

หัวข้อที่มีชื่อว่า “สะท้อนคิด”
  • อุปกรณ์รอบตัวคุณชิ้นไหนเป็นแอปโฟกัสโมเดลเดียว และมันทำ action อะไรกับ verdict
  • ถ้าต้องเลือก CONF_FLOOR ให้เครื่องเตือนไซเรนในรถ คุณจะตั้งสูงหรือต่ำ เพราะอะไร

คำถามทบทวน

ลองตอบเองก่อน แล้วค่อยเปิดดูเฉลย

  1. เครื่องนับเสียงไอข้างเตียงผู้ป่วยควรเป็นแอปแบบใด (เป้าหมายข้อ 1)

    1. เมนูที่ให้ผู้ใช้เลือกโมเดลเองทุกครั้ง
    2. แอปโฟกัสที่เล็งโมเดล Cough ตั้งแต่เปิด และต่อ verdict กับการนับ
    3. แอปที่สลับทุกโมเดลทุกวินาที
    4. ไม่ต้องมีแอป ใช้ REPL
    ดูเฉลย

    คำตอบ: B. แอปโฟกัสที่เล็งโมเดล Cough ตั้งแต่เปิด และต่อ verdict กับการนับ

    ผู้ใช้ปลายทางไม่ควรต้องรู้ว่ามีโมเดลอะไร เมนูเหมาะกับการสำรวจและเดโม แอปโฟกัสเหมาะกับงานจริง

  2. ทำไม find_model(("cough",), edge_ai.SENSOR_MIC) จึงดีกว่า edge_ai.select(3) (เป้าหมายข้อ 2)

    1. เร็วกว่า
    2. หาโมเดลจากชื่อ จึงยังถูกตัวแม้ลำดับทะเบียนเปลี่ยน เช่น Emulator ที่ไม่มี Push ทำให้ Cough อยู่ index 2
    3. ใช้หน่วยความจำน้อยกว่า
    4. select(3) ใช้ไม่ได้บนบอร์ด
    ดูเฉลย

    คำตอบ: B. หาโมเดลจากชื่อ จึงยังถูกตัวแม้ลำดับทะเบียนเปลี่ยน เช่น Emulator ที่ไม่มี Push ทำให้ Cough อยู่ index 2

    บนบอร์ด Cough อยู่ index 3 แต่บน Emulator อยู่ index 2 การถามทะเบียนด้วยชื่อทำให้โค้ดชุดเดียวใช้ได้ทั้งสองที่

  3. r['scores'] = [0.12, 0.88] ของโมเดล ['unlabelled', 'cough'] ค่า r['top'] และ r['conf'] คืออะไร (เป้าหมายข้อ 3)

    1. top = 0, conf = 0.12
    2. top = 1, conf = 0.88
    3. top = 0.88, conf = 1
    4. top = 1, conf = 0.12
    ดูเฉลย

    คำตอบ: B. top = 1, conf = 0.88

    top คือ index ของคะแนนสูงสุด (argmax) conf คือค่าคะแนนนั้นเอง คลาสที่ชนะจึงเป็น cough ด้วยความมั่นใจ 0.88

  4. ไอหนึ่งครั้งยาวสามผลอนุมาน ได้ conf ของ cough เป็น 0.8, 0.9, 0.85 แล้วตกลง ตัวนับแบบขอบขาขึ้นเพิ่มกี่ครั้ง (เป้าหมายข้อ 4)

    1. 0
    2. 1
    3. 3
    4. 2
    ดูเฉลย

    คำตอบ: B. 1

    นับเฉพาะตอนเปลี่ยนจากไม่เข้าเป้าเป็นเข้าเป้า ตราบใดที่ยังค้างเหนือเกณฑ์จะไม่นับซ้ำ ไอหนึ่งครั้งจึงได้ 1

  5. แอป Cough ทำงานดีมาสักพัก แล้วผลค้างนิ่งและ seq ไม่ขยับ สาเหตุที่น่าจะเป็นที่สุดคืออะไร (เป้าหมายข้อ 4)

    1. โค้ดมี memory leak
    2. โมเดล Ready-Model แบบประเมินผลถึงเพดานจำนวนครั้งอนุมาน
    3. CONF_FLOOR ตั้งผิด
    4. ไมค์เสีย
    ดูเฉลย

    คำตอบ: B. โมเดล Ready-Model แบบประเมินผลถึงเพดานจำนวนครั้งอนุมาน

    โมเดลประเมินผลจำกัดจำนวนครั้งอนุมาน นี่คือลักษณะของใบอนุญาต ไม่ใช่บั๊กในโค้ด โมเดลที่ฝึกเองไม่มีข้อจำกัดนี้

อ้างอิงบทเรียนนี้

ถ้านำบทเรียนนี้ไปสอน ทำสไลด์ หรือทำเอกสารต่อ ให้อ้างอิงด้วยข้อความนี้ ถ้าดัดแปลงเนื้อหา ให้เติม (ดัดแปลง)ต่อท้ายชื่อบทเรียน

"หกโมเดลกับ edge_ai API: แอปที่โฟกัสโมเดลเดียว" จาก TESA Open Knowledge โดยสมาคมสมองกลฝังตัวไทย (Thai Embedded Systems Association: TESA) https://github.com/tesaiot/tesa-qualification-program สัญญาอนุญาต CC BY-NC 4.0

ข้อความอ้างอิงภาษาอังกฤษ: "Six models and the edge_ai API: an app focused on one model" from TESA Open Knowledge by the Thai Embedded Systems Association (TESA), https://github.com/tesaiot/tesa-qualification-program, licensed under CC BY-NC 4.0

ลิงก์บทเรียน: https://tesaiot.github.io/tesa-qualification-program/courses/edge-ai-developer/m06-apps/l01-focused-apps/

วิธีอ้างอิง TESA ฉบับเต็ม

TESA Open Knowledge · © 2026 สมาคมสมองกลฝังตัวไทย (TESA) · CC BY-NC 4.0

เนื้อหาเผยแพร่ภายใต้ CC BY-NC 4.0 นำไปใช้ต่อในงานที่ไม่ใช่เพื่อการค้าได้ โปรดอ้างอิงสมาคมสมองกลฝังตัวไทย (TESA) ทุกครั้ง · วิธีอ้างอิง TESA