ลงมือทำ: ให้โมเดลใหม่โผล่ใน edge_ai.models()

กำลังพัฒนา

หลักสูตรนี้ยังอยู่ระหว่างพัฒนา เนื้อหาอิงเฟิร์มแวร์ BENTO สำหรับ Edge AI ที่ยังพัฒนาอยู่ ชื่อฟังก์ชัน โมเดล และขั้นตอนบนบอร์ดอาจเปลี่ยนก่อนออกรุ่นจริง เรียนและทดลองใน BENTO Emulator ได้ ถ้าเจอจุดที่ไม่ตรงกับที่เห็น แจ้งเราได้ แจ้งปัญหาบน GitHub

หลักสูตร

Edge AI Developer: จากเซนเซอร์สู่โมเดลบนอุปกรณ์ · ใต้ฝากระโปรงและการต่อเติม

ระดับ

L3 ทำได้เอง

เวลาโดยประมาณ

75 นาที (แนวคิด 15 · ฝึก 30 · แล็บ 25 · เช็กความเข้าใจ 5)

อุปกรณ์

BENTO Emulator (ไม่ต้องมีบอร์ด) · Dev Kit

ทักษะที่ฝึก

• SDK และเครื่องมือของผู้ผลิตชิป ถึง L2
• การแปลงและติดตั้งโมเดลบนอุปกรณ์ ถึง L3
• MicroPython บนไมโครคอนโทรลเลอร์ ถึง L2

ทักษะที่ประเมิน

• SDK และเครื่องมือของผู้ผลิตชิป ที่ L2 · หลักฐาน

ควรเรียนก่อน

• เพิ่มโมเดลของเราเอง: สามการแก้ สัญญาสี่ฟังก์ชัน และ Vela

สถานะ

ทดลองใช้ (alpha)

• เปิดสไลด์
• เปิด BENTO IDE
• ไฟล์ของบทเรียนบน GitHub

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

เติมห้าจุดใน s19_extend_model.py ที่ข้ามสองฝั่ง ครึ่งบนสร้าง C ROW จากสเปกในภาษา Python ครึ่งล่างถามทะเบียนด้วย count() และ models() แล้วเลือกรันโมเดลของเรา จากนั้นเพิ่มโมเดลเข้าเฟิร์มแวร์จริง ยืนยันด้วยจำนวนโมเดลก่อนและหลัง และเดิน checklist ก่อนเชื่อผลบนฮาร์ดแวร์

เป้าหมาย

เมื่อจบบทเรียนนี้ คุณจะ:

1. เติมห้าจุดใน practice/s19_extend_model.py จนพิมพ์ ROW ที่มีสี่ชื่อฟังก์ชันและคลาสครบ และหา index ของโมเดลในทะเบียนจากชื่อได้ (บน Emulator จะยังไม่เจอ Fall ซึ่งถูกต้อง)
2. เพิ่มโมเดลเข้าเฟิร์มแวร์ (สามการแก้ในซอร์สตัวเต็ม หรือ ai_engine_register() ใน SDK สาธารณะ) แล้วแสดง edge_ai.count() ก่อนและหลัง ชื่อใหม่ใน models() และ verdict จริงเมื่อ select
3. เดิน checklist ก่อนเชื่อผล (ตรวจสัญลักษณ์ด้วย nm, section .ml_weights, clean build, hard power-cycle) และอธิบายเหตุผลของแต่ละข้อ

ก่อนเริ่ม

ผ่านบทเรียน 7.3 มาแล้ว รู้จักสามการแก้ สัญญาสี่ฟังก์ชัน และทางเทียบเท่าใน SDK ถ้าจะทำส่วนเฟิร์มแวร์ ติดตั้ง ModusToolbox และ clone SDK สาธารณะ ไว้ พร้อมโมเดลที่ห่อตามสัญญาสี่ฟังก์ชันแล้ว

• อุปกรณ์: บอร์ด TESAIoT Dev Kit ที่ลงเฟิร์มแวร์ MicroPython ของ BENTO แล้ว หรือ BENTO Emulator ใน BENTO IDE — ครึ่งบนของไฟล์ (สเปกกับ ROW) ซ้อมบน Emulator ได้ การเพิ่มโมเดลต้อง build เฟิร์มแวร์ด้วย ModusToolbox แล้วลงบอร์ด ซอร์สตัวเต็มยังไม่เปิดเผย จึงใช้ SDK สาธารณะกับ ai_engine_register() แทนการแก้ ai_engine.c
• เรียนมาก่อน: บทเรียน 7.3 — เพิ่มโมเดลของเราเอง: สามการแก้ สัญญาสี่ฟังก์ชัน และ Vela

แนวคิด

ไฟล์นี้ข้ามฝั่ง: เขียนสเปก → พิมพ์ C ROW ที่ต้องวาง → ถามทะเบียนว่าโผล่ยัง → เลือกรันแล้วอ่าน verdict ห้าจุดที่เติมคือ (1) "sensor": edge_ai.SENSOR_IMU กับ "labels": ["normal", "fall"] ใน SPEC (2) deq_fn = "AIM_%s_dequeue" % prefix ใน make_row() ที่ประกอบข้อความ #if defined(EDGE_AI_MODEL_fall) / #define FALL_ROW {...} / #endif ให้ก๊อปไปวาง ลืมจุดนี้ ROW จะมี .dequeue = None ซึ่งคอมไพล์ไม่ผ่าน (3) n = edge_ai.count() (4) mine = i เมื่อชื่อตรง ซึ่งหา index จากชื่อ ไม่ hard-code ตัวเลข และ (5) edge_ai.select(idx) ตามด้วย r = edge_ai.result() ห่อด้วย try/except OSError เพราะโมเดลใหม่อาจ init ไม่ผ่าน

บน Emulator ใช้ซ้อมครึ่งบนได้ ทะเบียนมีห้าโมเดลและยังไม่มี Fall ซึ่งถูกต้อง เพราะเบราว์เซอร์ build C ไม่ได้ ครึ่งล่างทดลองกับโมเดลที่มีอยู่ เช่น Motion บนบอร์ด ในซอร์สตัวเต็มทำสามการแก้ แล้ว rm -rf proj_cm55/build; make program EDGE_AI_MODEL=combo ถ้าใช้ SDK สาธารณะ ให้เรียก ai_engine_register(&desc) จากโค้ดของเราตอนบูต แล้ว build ด้วย ModusToolbox จากนั้นกด Re-check: count() ต้องเพิ่มขึ้น (บนบอร์ดหกเป็นเจ็ด) ชื่อใหม่ขึ้นสีเขียว แล้ว Run mine ขยับบอร์ดจนคลาสสลับ normal กับ fall ก่อนเชื่อผลให้เดิน checklist: ทดสอบ .tflite ใน Python ก่อนห่อ ตรวจด้วย nm ว่าสัญลักษณ์ไม่ชนกัน weights ก้อนใหญ่อยู่ใน .ml_weights front-end ตรงกับตอนฝึก clean build และ hard power-cycle หนึ่งการเปลี่ยนต่อหนึ่งการ flash

ตัวอย่างสมบูรณ์

s19_extend_model_full.py รองรับทั้ง STYLE = "AIM" (โมเดลจาก DEEPCRAFT Studio) และ "IMAI" (Ready-Model แบบ .a) ตรวจว่าสัญญาสี่ฟังก์ชันครบ เทียบ count() ก่อนและหลัง และแยกสี verdict ตาม CONF_FLOOR พร้อม latency

ไฟล์	ไฟล์นี้สอน
examples/s19_extend_model_full.py	เพิ่มโมเดลของเราเองเข้า Edge AI (ฉบับเต็ม)

ฝึกเติม

คอมเมนต์ # เติม อยู่ที่บรรทัด 44 (SPEC sensor และ labels), 60 (deq_fn), 129 (count), 138 (mine = i) และ 156 (select กับ result) ถ้า ROW ที่พิมพ์มี None อยู่ จุดที่ 60 ยังว่าง ถ้า diff ของจำนวนโมเดลเป็นศูนย์เสมอ ตรวจจุดที่ 129

ไฟล์ฝึก	เรื่อง
practice/s19_extend_model.py	เพิ่มโมเดลของเราเองเข้า Edge AI (ฉบับฝึกเติมโค้ด)

เฉลย

เปิดเฉลยหลังจากลองเองแล้วอย่างน้อยหนึ่งรอบ และอ่าน วิธีใช้เฉลย ก่อน

เฉลย	คู่กับ
solution/s19_extend_model.py	practice/s19_extend_model.py

เช็กความเข้าใจ

คำถามชุดเดียวกันอยู่ใน quiz.yaml สำหรับระบบที่ตรวจอัตโนมัติ

1. ROW ที่พิมพ์ออกมามี .dequeue = None จุดใดยังว่าง (เลือกหนึ่งข้อ · เป้าหมายข้อ 1)

   • ก) จุดที่ 1 SPEC
   • ข) จุดที่ 2 deq_fn ใน make_row()
   • ค) จุดที่ 3 count()
   • ง) จุดที่ 5 select
   เฉลย

   ข — make_row ประกอบชื่อฟังก์ชันทั้งสี่จาก prefix ถ้า deq_fn ยังเป็น None ข้อความ ROW จะคอมไพล์ไม่ผ่าน

2. รันบน Emulator แล้ว scan_registry() ไม่เจอ Fall Detection หมายความว่าอะไร (เลือกหนึ่งข้อ · เป้าหมายข้อ 1)

   • ก) โค้ดผิด
   • ข) ถูกต้องแล้ว Emulator มีห้าโมเดลที่คอมไพล์มาแล้ว และ build C ในเบราว์เซอร์ไม่ได้
   • ค) ต้องรีเฟรชเบราว์เซอร์
   • ง) ต้องเพิ่มชื่อใน edge_ai.py
   เฉลย

   ข — การเพิ่มโมเดลต้องมี toolchain และ flash ลงบอร์ด นี่คือเส้นแบ่งระหว่างงานเฟิร์มแวร์กับงานระดับแอป

3. หลักฐานข้อใดยืนยันว่าเพิ่มโมเดลสำเร็จจริง (เลือกหนึ่งข้อ · เป้าหมายข้อ 2)

   • ก) build ผ่านโดยไม่มี error
   • ข) count() เพิ่มขึ้น ชื่อใหม่อยู่ใน models() และ select แล้ว verdict สลับตามการขยับจริง
   • ค) ไฟล์โมเดลอยู่ในโฟลเดอร์ถูกที่
   • ง) ROW พิมพ์ออกมาครบ
   เฉลย

   ข — build ผ่านหรือไฟล์อยู่ถูกที่ยังไม่ได้แปลว่าทั้งสี่ฟังก์ชันต่อสายถูก ต้องเห็นทั้งทะเบียนและ verdict บนบอร์ด

4. ทำไม checklist จึงให้ hard power-cycle ก่อนเชื่อผลบนฮาร์ดแวร์ (เลือกหนึ่งข้อ · เป้าหมายข้อ 3)

   • ก) เพื่อล้างไฟล์ใน flash
   • ข) หลัง flash เซนเซอร์และ NPU บางตัวต้อง init ใหม่จากไฟจริง ไม่งั้นค่าที่อ่านอาจค้างจากรอบก่อน
   • ค) เพื่อให้ Wi-Fi ต่อใหม่
   • ง) ไม่จำเป็น
   เฉลย

   ข — หนึ่งการเปลี่ยนต่อหนึ่งการ flash แล้ว power-cycle ก่อนเชื่อ ช่วยให้แน่ใจว่าผลที่เห็นมาจากการเปลี่ยนครั้งนี้จริง

แล็บ

MVP ของชุดบทเรียน 7.3–7.4: โมเดลใหม่ที่เพิ่มเอง edge_ai.count() เพิ่มขึ้น ชื่อโผล่ใน edge_ai.models() และเลือกรันแล้วได้ verdict จริงบนบอร์ด

• เติมไฟล์ฝึกครบห้าจุด รันบน Emulator แล้วตรวจ ROW ที่พิมพ์ออกมาทีละฟิลด์
• บนบอร์ด จด edge_ai.count() ก่อนเพิ่มโมเดล
• เพิ่มโมเดล (สามการแก้ในซอร์สตัวเต็ม หรือ ai_engine_register() ใน SDK) build แล้ว hard power-cycle จด count() หลังเพิ่ม และ verdict เมื่อ Run mine
• เขียน checklist ที่คุณเดินจริงลงบันทึกการเรียน พร้อมหลักฐานของแต่ละข้อ (เช่นผลของ nm)

ไปต่อ

โมดูลถัดไป (Capstone) เราจะรวมทุกอย่างตั้งแต่ DAQ ถึงแอปเป็นแอป Edge AI ของเราเองในไฟล์เดียว

บทเรียนถัดไป: บทเรียน 8.1 — ออกแบบ capstone: Guardian สามเสาในไฟล์เดียว

สะท้อนคิด

• ถ้า count() เพิ่มแล้วแต่ verdict ไม่เคยเปลี่ยนเลย คุณจะไล่หาสาเหตุจากชั้นไหนก่อน
• ในสินค้าจริง คุณจะเลือกเพิ่มโมเดลตอน build หรือโหลดตอนรัน และเพราะอะไร

คำถามทบทวน

ลองตอบเองก่อน แล้วค่อยเปิดดูเฉลย

1. ROW ที่พิมพ์ออกมามี .dequeue = None จุดใดยังว่าง (เป้าหมายข้อ 1)

   1. จุดที่ 1 SPEC
   2. จุดที่ 2 deq_fn ใน make_row()
   3. จุดที่ 3 count()
   4. จุดที่ 5 select
   ดูเฉลย

   คำตอบ: B. จุดที่ 2 deq_fn ใน make_row()

   make_row ประกอบชื่อฟังก์ชันทั้งสี่จาก prefix ถ้า deq_fn ยังเป็น None ข้อความ ROW จะคอมไพล์ไม่ผ่าน

2. รันบน Emulator แล้ว scan_registry() ไม่เจอ Fall Detection หมายความว่าอะไร (เป้าหมายข้อ 1)

   1. โค้ดผิด
   2. ถูกต้องแล้ว Emulator มีห้าโมเดลที่คอมไพล์มาแล้ว และ build C ในเบราว์เซอร์ไม่ได้
   3. ต้องรีเฟรชเบราว์เซอร์
   4. ต้องเพิ่มชื่อใน edge_ai.py
   ดูเฉลย

   คำตอบ: B. ถูกต้องแล้ว Emulator มีห้าโมเดลที่คอมไพล์มาแล้ว และ build C ในเบราว์เซอร์ไม่ได้

   การเพิ่มโมเดลต้องมี toolchain และ flash ลงบอร์ด นี่คือเส้นแบ่งระหว่างงานเฟิร์มแวร์กับงานระดับแอป

3. หลักฐานข้อใดยืนยันว่าเพิ่มโมเดลสำเร็จจริง (เป้าหมายข้อ 2)

   1. build ผ่านโดยไม่มี error
   2. count() เพิ่มขึ้น ชื่อใหม่อยู่ใน models() และ select แล้ว verdict สลับตามการขยับจริง
   3. ไฟล์โมเดลอยู่ในโฟลเดอร์ถูกที่
   4. ROW พิมพ์ออกมาครบ
   ดูเฉลย

   คำตอบ: B. count() เพิ่มขึ้น ชื่อใหม่อยู่ใน models() และ select แล้ว verdict สลับตามการขยับจริง

   build ผ่านหรือไฟล์อยู่ถูกที่ยังไม่ได้แปลว่าทั้งสี่ฟังก์ชันต่อสายถูก ต้องเห็นทั้งทะเบียนและ verdict บนบอร์ด

4. ทำไม checklist จึงให้ hard power-cycle ก่อนเชื่อผลบนฮาร์ดแวร์ (เป้าหมายข้อ 3)

   1. เพื่อล้างไฟล์ใน flash
   2. หลัง flash เซนเซอร์และ NPU บางตัวต้อง init ใหม่จากไฟจริง ไม่งั้นค่าที่อ่านอาจค้างจากรอบก่อน
   3. เพื่อให้ Wi-Fi ต่อใหม่
   4. ไม่จำเป็น
   ดูเฉลย

   คำตอบ: B. หลัง flash เซนเซอร์และ NPU บางตัวต้อง init ใหม่จากไฟจริง ไม่งั้นค่าที่อ่านอาจค้างจากรอบก่อน

   หนึ่งการเปลี่ยนต่อหนึ่งการ flash แล้ว power-cycle ก่อนเชื่อ ช่วยให้แน่ใจว่าผลที่เห็นมาจากการเปลี่ยนครั้งนี้จริง

อ้างอิงบทเรียนนี้

ถ้านำบทเรียนนี้ไปสอน ทำสไลด์ หรือทำเอกสารต่อ ให้อ้างอิงด้วยข้อความนี้ ถ้าดัดแปลงเนื้อหา ให้เติม (ดัดแปลง)ต่อท้ายชื่อบทเรียน

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

ข้อความอ้างอิงภาษาอังกฤษ: "Hands-on: make a new model appear in edge_ai.models()" 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/l04-extend-model-lab/

วิธีอ้างอิง TESA ฉบับเต็ม