ข้ามไปยังเนื้อหา
TESA Open Knowledge

เพิ่มโมเดลของเราเอง: สามการแก้ สัญญาสี่ฟังก์ชัน และ Vela

โมดูล 7 — ใต้ฝากระโปรงและการต่อเติม · สไลด์: slides.md · ภาพรวมโมดูล · หน้าหลักสูตร

เรียนวิธีเพิ่มโมเดลของเราเองให้บอร์ดรู้จัก ทะเบียนแบบ shape-driven ทำให้ใช้แค่สามการแก้ในซอร์สเฟิร์มแวร์ตัวเต็ม คือ Makefile, ROW กับ s_models[] และไฟล์โมเดล รู้จักสัญญาสี่ฟังก์ชัน AIM_ กับ IMAI_ feed ของเซนเซอร์เดิม งบหน่วยความจำ flash กับ arena และทางเทียบเท่าใน SDK สาธารณะ

เป้าหมาย

หัวข้อที่มีชื่อว่า “เป้าหมาย”

เมื่อจบบทเรียนนี้ คุณจะ:

  1. อธิบายได้ว่าทำไมทะเบียนแบบ shape-driven จึงใช้แค่สามการแก้โดยไม่แตะ MicroPython หรือ IPC และบอกทางเทียบเท่าใน SDK สาธารณะ (ai_engine_register(), การใส่โมเดลแทนช่องเดิม หรือโมเดล IMU แบบ staged)
  2. เขียน descriptor ของโมเดล (name, sensor, class_labels ที่ index 0 เป็นคลาสปฏิเสธ, period_ms, ตัวชี้สี่ฟังก์ชัน) และบอกสัญญาสี่ฟังก์ชันพร้อมรหัสคืนค่าได้
  3. แยกหน่วยความจำของโมเดลเป็น flash (weights + code) กับ RAM (tensor arena + บัฟเฟอร์) และอธิบายว่า arena ไม่พอทำให้ select() ล้มอย่างไร
  4. อธิบายว่าทำไมโมเดลที่ใช้เซนเซอร์เดิมจึงยืม feed ที่มีอยู่ได้ และทำไม feature parity จึงเป็นความล้มเหลวเงียบอันดับหนึ่ง

ก่อนเริ่ม

หัวข้อที่มีชื่อว่า “ก่อนเริ่ม”

ผ่านชุดบทเรียน 7.1–7.2 มาแล้ว เข้าใจทะเบียน s_models[], ai_model_desc_t และ IPC model link เปิด คู่มือ Filling a model slot ของ SDK ไว้คู่จอ

  • อุปกรณ์: บอร์ด TESAIoT Dev Kit ที่ลงเฟิร์มแวร์ MicroPython ของ BENTO แล้ว หรือ BENTO Emulator ใน BENTO IDE — เป็นบทเรียนแนวคิด การเพิ่มโมเดลจริงต้อง build เฟิร์มแวร์ด้วย ModusToolbox ซอร์สตัวเต็มที่มี ai_engine.c ยังไม่เปิดเผย SDK สาธารณะมี engine แบบ prebuilt กับ header ให้ใช้แทน
  • เรียนมาก่อน: บทเรียน 7.2 — ลงมือทำ: ส่องสแตกจาก MicroPython

ดูของจริงก่อน

หัวข้อที่มีชื่อว่า “ดูของจริงก่อน”

ทั้งคอร์ส edge_ai.models() ตอบหกโมเดลบนบอร์ด วันนี้ถามกลับว่าโมเดลตัวที่เจ็ดจะโผล่ในตารางนั้นได้อย่างไร ซอร์สเฟิร์มแวร์ตัวเต็มมี FALL_ROW เขียนรอไว้เป็นตัวอย่างแล้ว ขาดแค่การปลุกให้ทำงาน

แนวคิด

หัวข้อที่มีชื่อว่า “แนวคิด”

MicroPython (edge_ai) กับ IPC model link ไม่รู้จักชื่อโมเดลใดเลย count() นับจากขนาดของ s_models[] model(n) คัดลอกฟิลด์จากแถวที่ n และ select(n) ให้ task เรียกตัวชี้ของแถวนั้น ทะเบียนจึงเป็น shape-driven ข้อมูลขับพฤติกรรม ในซอร์สตัวเต็มการเพิ่มโมเดลใช้ สามการแก้: (1) เติมชื่อใน AI_MODELS ของ Makefile ซึ่ง derive -DEDGE_AI_MODEL_<name> ให้เอง (ระวังเว้นวรรคเกิน) (2) เขียน ROW ครอบด้วย #if defined(...) แล้วต่อเข้า s_models[] (ลำดับใน array คือลำดับในเมนู) และ (3) วางไฟล์โมเดลใน proj_cm55/modules/ai_models/ ใน SDK สาธารณะ ai_engine มาเป็นไลบรารี prebuilt แถวใหม่จึงเพิ่มด้วย ai_engine_register(&desc) จากโค้ดของเราตอนรัน หรือใส่โมเดลแทนช่องเดิม และเฟิร์มแวร์รุ่นปัจจุบันยังโหลดโมเดล IMU แบบ staged ได้ตาม ai_model_staged.h

ทุกโมเดลต้องให้ สี่ฟังก์ชัน <PREFIX>_init(void), <PREFIX>_enqueue(const float *in), <PREFIX>_dequeue(float *out) และ <PREFIX>_finalize(void) คืน 0 เมื่อสำเร็จ -1 (NODATA) ระหว่างที่หน้าต่างยังไม่เต็ม และ -2 เมื่อผิดพลาด โมเดลที่สร้างจาก DEEPCRAFT Studio ใช้คำนำหน้า AIM_<NAME>_ ส่วน Ready-Model แบบ .a ส่งออก IMAI_* ชื่อซ้ำกันทุกตัว จึงต้อง objcopy เปลี่ยนเป็น IMAI_<NAME>_* ก่อนอยู่ร่วมกัน descriptor มี class_labels ที่ index 0 ต้องเป็นคลาสปฏิเสธ (idle, unlabelled, normal) เพราะหน้าจอใช้คะแนนสูงสุดของคลาส 1 ขึ้นไปเป็นความมั่นใจ

หน่วยความจำแยกเป็น $M_{flash} = W_{weights} + C_{code}$ กับ $M_{RAM} = A_{arena} + B_{io}$ โดย arena ต้องใหญ่พอสำหรับ tensor ที่มีชีวิตพร้อมกันมากที่สุด ถ้า arena ไม่พอ init() คืนค่าติดลบ แล้ว select() โยน OSError weights ก้อนใหญ่ในภาพ combo อาจชนกำแพงแฟลช ต้องย้ายไป section .ml_weights โมเดลที่ใช้เซนเซอร์เดิมยืม feed เดิมได้ทันที (Fall ใช้ IMU จึงยืม feed_imu) เซนเซอร์ใหม่ต้องเขียน feed เองเพื่อแปลงค่าดิบให้เป็นหน่วยเดียวกับตอนฝึก ห่อโมเดลที่ฝึกเองได้สองทาง: ตัวแปลงของ DEEPCRAFT ที่สร้าง C พร้อม front-end หรือห่อ TFLite-Micro เองด้วย AddEthosU() แล้วเขียน front-end ให้ตรง กับดักตัวจริงคือ feature parity: กราฟ .tflite ไม่มี FFT หรือ mel อยู่ข้างใน ถ้า front-end คลาดนิดเดียวคะแนนจะเพี้ยนเงียบ ๆ

ตัวอย่างสมบูรณ์

หัวข้อที่มีชื่อว่า “ตัวอย่างสมบูรณ์”

สไลด์ของบทเรียนนี้อ้างถึงไฟล์ที่อยู่ในบทเรียนอื่นหรือใน shared/ ด้วย:

เช็กความเข้าใจ

หัวข้อที่มีชื่อว่า “เช็กความเข้าใจ”

คำถามชุดเดียวกันอยู่ใน quiz.yaml สำหรับระบบที่ตรวจอัตโนมัติ

  1. ทำไมการเพิ่มโมเดลในซอร์สตัวเต็มจึงไม่ต้องแก้โมดูล edge_ai ของ MicroPython (เลือกหนึ่งข้อ · เป้าหมายข้อ 1)

    • ก) เพราะ MicroPython เก็บชื่อโมเดลไว้ทุกตัวอยู่แล้ว
    • ข) เพราะทะเบียนเป็น shape-driven MicroPython ถาม count() และ model(n) จาก s_models[] ทุกครั้ง
    • ค) เพราะ IPC ส่งไฟล์โมเดลให้เอง
    • ง) เพราะต้องแก้ Emulator แทน
    เฉลย

    ข — ไม่มีชื่อโมเดลใดถูก hard-code ฝั่ง Python เพิ่มแถวที่ปลายทาง ทั้งสายเห็นเอง

  2. ถ้าใช้ SDK สาธารณะที่ ai_engine มาเป็นไลบรารี prebuilt จะเพิ่มโมเดลที่ไม่มีช่องอยู่แล้วได้อย่างไร (เลือกหนึ่งข้อ · เป้าหมายข้อ 1)

    • ก) แก้ ai_engine.c ใน archive
    • ข) เรียก ai_engine_register(&desc) จากโค้ดของเราตอนรัน
    • ค) เพิ่มชื่อใน edge_ai.py
    • ง) ทำไม่ได้เลย
    เฉลย

    ข — Route 0 ของคู่มือ SDK ให้ engine เพิ่มแถวจาก descriptor ของเรา โดยไม่ต้อง rebuild archive

  3. AIM_FALL_dequeue คืน −1 หลัง enqueue ได้ไม่กี่ครั้ง แปลว่าอะไร (เลือกหนึ่งข้อ · เป้าหมายข้อ 2)

    • ก) โมเดลพัง
    • ข) NODATA หน้าต่างยังไม่เต็ม ต้อง enqueue ต่อ
    • ค) คลาสที่ชนะคือ −1
    • ง) arena ไม่พอ
    เฉลย

    ข — โมเดลแบบ streaming ต้องได้ข้อมูลครบหน้าต่าง L ครั้งก่อน dequeue จึงคืน 0 พร้อมคะแนน

  4. เพิ่มโมเดลแล้วโผล่ใน models() แต่ select() โยน OSError ทุกครั้ง สาเหตุที่เป็นไปได้มากคืออะไร (เลือกหนึ่งข้อ · เป้าหมายข้อ 3)

    • ก) ชื่อโมเดลยาวเกินไป
    • ข) init() คืนค่าติดลบ เช่น tensor arena เล็กเกินกว่าที่กราฟต้องใช้
    • ค) ลืมใส่ labels
    • ง) Wi-Fi ไม่ติด
    เฉลย

    ข — select ยืนยันด้วยการสังเกต ถ้าโมเดล init ไม่ผ่าน engine ไม่สลับ Q_ACTIVE จึงไม่เคยเท่ากับที่ขอ

  5. ทำไมผู้เขียนเลือก Fall Detection เป็นโมเดลตัวแรกที่เพิ่ม (เลือกหนึ่งข้อ · เป้าหมายข้อ 4)

    • ก) เพราะแม่นที่สุด
    • ข) เพราะใช้ IMU จึงยืม feed_imu เดิมได้ และ front-end เบาที่สุด ไม่มี FFT ให้พลาด
    • ค) เพราะไม่ต้องผ่าน Vela
    • ง) เพราะเป็น float32
    เฉลย

    ข — เลือกเส้นทางที่พิสูจน์แล้วก่อน โมเดลเสียงต้องทำ FFT และ mel ให้ตรงกับตอนฝึกซึ่งเป็นจุดพังเงียบที่พบบ่อยที่สุด

แล็บ

หัวข้อที่มีชื่อว่า “แล็บ”
  • เขียน ROW ของ Fall Detection ด้วยมือในบันทึกการเรียน พร้อมชี้ว่าฟิลด์ใดไปโผล่ใน edge_ai.models()
  • เปิดคู่มือ Filling a model slot ของ SDK แล้วสรุปความต่างของ Route 0 (ai_engine_register) กับ Route 1 (ใส่แทนช่องเดิม) เป็นสองบรรทัด
  • ประเมินงบหน่วยความจำของโมเดลที่ weights 40,000 ไบต์และ arena 20 KB ว่ากิน flash กับ RAM ส่วนใดบ้าง

ไปต่อ

หัวข้อที่มีชื่อว่า “ไปต่อ”

บทเรียน 7.4 เราจะใช้ s19_extend_model.py สร้าง ROW จากสเปก ตรวจทะเบียนด้วย count() กับ models() แล้วรันโมเดลที่เพิ่มเข้าไป

บทเรียนถัดไป: บทเรียน 7.4 — ลงมือทำ: ให้โมเดลใหม่โผล่ใน edge_ai.models()

สะท้อนคิด

หัวข้อที่มีชื่อว่า “สะท้อนคิด”
  • ถ้าต้องเพิ่มโมเดลเสียงที่ฝึกเอง front-end ใดบ้างที่ต้องทำให้ตรงกับตอนฝึก
  • ข้อดีข้อเสียของการเพิ่มโมเดลตอน build กับตอนรันต่างกันอย่างไรสำหรับสินค้าที่อัปเดตผ่าน OTA

คำถามทบทวน

ลองตอบเองก่อน แล้วค่อยเปิดดูเฉลย

  1. ทำไมการเพิ่มโมเดลในซอร์สตัวเต็มจึงไม่ต้องแก้โมดูล edge_ai ของ MicroPython (เป้าหมายข้อ 1)

    1. เพราะ MicroPython เก็บชื่อโมเดลไว้ทุกตัวอยู่แล้ว
    2. เพราะทะเบียนเป็น shape-driven MicroPython ถาม count() และ model(n) จาก s_models[] ทุกครั้ง
    3. เพราะ IPC ส่งไฟล์โมเดลให้เอง
    4. เพราะต้องแก้ Emulator แทน
    ดูเฉลย

    คำตอบ: B. เพราะทะเบียนเป็น shape-driven MicroPython ถาม count() และ model(n) จาก s_models[] ทุกครั้ง

    ไม่มีชื่อโมเดลใดถูก hard-code ฝั่ง Python เพิ่มแถวที่ปลายทาง ทั้งสายเห็นเอง

  2. ถ้าใช้ SDK สาธารณะที่ ai_engine มาเป็นไลบรารี prebuilt จะเพิ่มโมเดลที่ไม่มีช่องอยู่แล้วได้อย่างไร (เป้าหมายข้อ 1)

    1. แก้ ai_engine.c ใน archive
    2. เรียก ai_engine_register(&desc) จากโค้ดของเราตอนรัน
    3. เพิ่มชื่อใน edge_ai.py
    4. ทำไม่ได้เลย
    ดูเฉลย

    คำตอบ: B. เรียก ai_engine_register(&desc) จากโค้ดของเราตอนรัน

    Route 0 ของคู่มือ SDK ให้ engine เพิ่มแถวจาก descriptor ของเรา โดยไม่ต้อง rebuild archive

  3. AIM_FALL_dequeue คืน −1 หลัง enqueue ได้ไม่กี่ครั้ง แปลว่าอะไร (เป้าหมายข้อ 2)

    1. โมเดลพัง
    2. NODATA หน้าต่างยังไม่เต็ม ต้อง enqueue ต่อ
    3. คลาสที่ชนะคือ −1
    4. arena ไม่พอ
    ดูเฉลย

    คำตอบ: B. NODATA หน้าต่างยังไม่เต็ม ต้อง enqueue ต่อ

    โมเดลแบบ streaming ต้องได้ข้อมูลครบหน้าต่าง L ครั้งก่อน dequeue จึงคืน 0 พร้อมคะแนน

  4. เพิ่มโมเดลแล้วโผล่ใน models() แต่ select() โยน OSError ทุกครั้ง สาเหตุที่เป็นไปได้มากคืออะไร (เป้าหมายข้อ 3)

    1. ชื่อโมเดลยาวเกินไป
    2. init() คืนค่าติดลบ เช่น tensor arena เล็กเกินกว่าที่กราฟต้องใช้
    3. ลืมใส่ labels
    4. Wi-Fi ไม่ติด
    ดูเฉลย

    คำตอบ: B. init() คืนค่าติดลบ เช่น tensor arena เล็กเกินกว่าที่กราฟต้องใช้

    select ยืนยันด้วยการสังเกต ถ้าโมเดล init ไม่ผ่าน engine ไม่สลับ Q_ACTIVE จึงไม่เคยเท่ากับที่ขอ

  5. ทำไมผู้เขียนเลือก Fall Detection เป็นโมเดลตัวแรกที่เพิ่ม (เป้าหมายข้อ 4)

    1. เพราะแม่นที่สุด
    2. เพราะใช้ IMU จึงยืม feed_imu เดิมได้ และ front-end เบาที่สุด ไม่มี FFT ให้พลาด
    3. เพราะไม่ต้องผ่าน Vela
    4. เพราะเป็น float32
    ดูเฉลย

    คำตอบ: B. เพราะใช้ IMU จึงยืม feed_imu เดิมได้ และ front-end เบาที่สุด ไม่มี FFT ให้พลาด

    เลือกเส้นทางที่พิสูจน์แล้วก่อน โมเดลเสียงต้องทำ FFT และ mel ให้ตรงกับตอนฝึกซึ่งเป็นจุดพังเงียบที่พบบ่อยที่สุด

อ้างอิงบทเรียนนี้

ถ้านำบทเรียนนี้ไปสอน ทำสไลด์ หรือทำเอกสารต่อ ให้อ้างอิงด้วยข้อความนี้ ถ้าดัดแปลงเนื้อหา ให้เติม (ดัดแปลง)ต่อท้ายชื่อบทเรียน

"เพิ่มโมเดลของเราเอง: สามการแก้ สัญญาสี่ฟังก์ชัน และ Vela" จาก TESA Open Knowledge โดยสมาคมสมองกลฝังตัวไทย (Thai Embedded Systems Association: TESA) https://github.com/tesaiot/tesa-qualification-program สัญญาอนุญาต CC BY-NC 4.0

ข้อความอ้างอิงภาษาอังกฤษ: "Adding your own model: three edits, a four-function contract and Vela" 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/m07-under-the-hood/l03-add-your-own-model/

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