OpnBeat ، سهل الفهم ، ممتع لاستخدام DIY Lofi sampler

 OpnBeat هو جهاز عينات Lofi مفتوح المصدر يعتمد على Arduino. باستخدام شريحة مسجل الصوت ، يكون الأمر بسيطًا جدًا بحيث يمكنك تعديله كما تريد.

الأشياء المستخدمة في هذا المشروع

مكون الأجهزة

Seeed Studio Arduino Nano v3

شاشة LCD مقاس 16 × 2   (I2C)

جهاز تشفير دوار (نوع EC11)

ISD1720SY

B0505S-1W

LM317L_SO8

NJM4580

LM337L_SO8

74HC4040

TS5A3166DBVR

Cherry MX switch

WS2812B

USB type C power connector (6pin)

PJ-342 3.5mm stereo jack

قصة

حول OpnBeat

OpnBeat هو جهاز أخذ عينات Lofi القائم على Arduino وهو ميسور التكلفة وسهل الفهم وممتع للعب! بفضل المكون الأساسي لسلسلة شرائح مسجل الصوت ISD1700 ، فإن OpnBeat بسيط حقًا. لا توجد تقنية معقدة مثل mp3 أو برنامج الترميز. البساطة وإمكانية الفهم مفيدان لأي شخص يريد تعديلها أو صنع عينات أصلية من DIY. الأهم من ذلك ، أنه من الممتع حقًا اللعب. تحتاج فقط إلى كبل صوت ستيريو وسماعات أذن ومصدر موسيقى مثل Sportify لبدء صنع مسارك الأصلي.

سبب بدء هذا المشروع

أحب موسيقى الهيب هوب وأصبح مهتمًا بأخذ العينات وإنتاج الموسيقى. لكن أجهزة أخذ العينات الشائعة في السوق كانت باهظة الثمن ، وبما أنني لم أحاول أبدًا صنع الموسيقى من قبل ، لم يكن لدي ثقة فيما إذا كنت قادرًا على استخدامها أم لا. أخيرًا توصلت إلى فكرة أنه يجب عليّ أن أصنعها بنفسي حتى أتمكن من فهم كيفية عملها وكيفية استخدامها بشكل كامل.

نظرة عامة على OpnBeat (النموذج الأولي الإصدار 3)

الخصائص الرئيسية

[المهام]

أصوات أخذ العينات تصل إلى 12 ثانية لكل 8 قنوات (تردد أخذ العينات حوالي 12 كيلو هرتز ، قياسي)

تشغيل 8 أصوات في نفس الوقت

وضع التشغيل (اللعب في الوقت الحقيقي بواسطة المفاتيح تمامًا مثل أداة الموسيقى)

وضع تحرير الصوت (قص وتقليم صوت العينة)

وضع تحرير الإيقاع (نمط إيقاع التسجيل والذاكرة عن طريق تحرير الإيقاع في الوقت الفعلي)

إعداد BPM

ضبط المستوى لكل مخرج 8 قنوات

[الإدخال / الإخراج]

1x Line In (مقبس استريو 3.5 مم)

1x Line Out (مقبس RCA)

1 مخرج سماعة رأس (مقبس استريو 3.5 ملم)

الحجم (للهيبون ، المسرع)

ثنائي الفينيل متعدد الكلور

حجم ثنائي الفينيل متعدد الكلور 180 مم × 110 مم. يناسب طاولة العمل لطابعات FDM ثلاثية الأبعاد ذات الأسعار المعقولة بحيث يمكنك صنع غلافها باستخدام طابعة ثلاثية الأبعاد. يتم تثبيت جميع المكونات على الجانب العلوي.

قبل الوصول إلى هذا النموذج الأولي الإصدار 3 ، صنعت نموذجين أوليين آخرين وقمت بتقييم واجهة المستخدم وقابليتها للاستخدام. وقمت بتخفيض حجمها بقدر ما يمكنني طباعة علبتها داخل منطقة طباعة الطابعة ثلاثية الأبعاد (في طابعة Ender-3 V2 Neo 3D الخاصة بي ، تبلغ 220 × 220 مم). أخيرًا ، أنا راضٍ عن الإصدار 3

حافظة مطبوعة ثلاثية الأبعاد

أنا أستخدم Blender لتصميم نموذج ثلاثي الأبعاد. لقد قمت بتصدير بيانات PCB 3D من KiCad واستوردتها في Blender. كما يمكنك استيراد بيانات مكون ثلاثية الأبعاد قياسية من KiCad (.wrl) باستخدام Blender. أنا أفضل Blender لأنه مفيد في تصميم نموذج ثلاثي الأبعاد مثل الحالات وفي تقديم صورة منتج نهائي عالية الجودة

بعد عمل بيانات ثلاثية الأبعاد للحالات ، قمت بتقطيعها باستخدام برنامج تقطيع الطابعة ثلاثية الأبعاد. وطباعته. المشكلة الوحيدة هي أن الأمر يستغرق وقتًا طويلاً. في إعدادي ، استغرق الأمر حوالي 11 ساعة للحالة الكبيرة وحوالي 5 ساعات للحالة السفلية.

كيف تعمل

اسمحوا لي أن أشرح الفكرة الأساسية للمنتج. مكونه الرئيسي هو شريحة مسجل الصوت ISD1700 (في النموذج الأولي ، ISD1720 مستخدم). عادةً ما يتم استخدامه مع الوضع المستقل لمسجل الصوت البسيط أو تطبيقات الألعاب. لكن OpnBeat يستخدمه مع وضع SPI الذي يتيح التحكم الكامل في الشريحة.

ما ورد أعلاه هو رسم تخطيطي للجزء الصوتي. في عينات الصوت ، يتم إدخال إشارة الصوت من مقبس استريو LINE IN ، ثم يتم مزجها إلى صوت أحادي بواسطة U1 لأن ISD1700 يدخل ويخرج صوتًا أحاديًا فقط. يتم إدخال إشارة صوت الإدخال إلى جميع شرائح ISD1700 بالتوازي. يختار Arduino شريحة ISD1700 واحدة فقط مرة واحدة عن طريق SS (تحديد تابع). لذا فإن شريحة ISD1700 الوحيدة المحددة تقوم بتنفيذ وظيفة التسجيل أو التشغيل أو تغيير مستوى الصوت اعتمادًا على أمر SPI من Arduino.

يوفر ISD1700 أوامر الوصول المباشر للذاكرة مثل SET_PLAY أو SET_REC والتي تتيح تشغيل وتسجيل مقاطع الصوت بناءً على عنوان الذاكرة المحدد.

أخيرًا ، يتم خلط جميع المخرجات من جميع شرائح ISD1700 بواسطة OPAMP (U1) والإخراج من LINE OUT. كما يتم ضبط حجم الإشارة المختلطة وإخراجها من مخرج سماعة الرأس. U2 هو مكبر صوت سماعة الرأس.

ما سبق هو بنية ذاكرة ISD1700 حيث يتم تخزين الصوت المسجل. بمجرد تحديد عنوان البداية والنهاية ، يمكنك قص مقطع الصوت المسجل وتشغيله. إنه يمكّن الجهاز من قص وتشغيل طبل واحد فقط من ثوانٍ من الصوت المسجل.

كيف نبنيها

الخطوة 1 تصنيع ثنائي الفينيل متعدد الكلور

يمكنك تنزيل ملفات gerber من هنا ، ثم يمكنك طلب PCB لبعض خدمات النماذج الأولية الشائعة لـ PCB مثل PCBWay.

الخطوة 2 ترتيب المكونات

يمكنك شراء ISD1720SY (أو ISD1730SY) على Aliexpress من هنا. أعتقد أن هذا هو المكون الوحيد الذي لا يحظى بشعبية كبيرة في السوق الحالية. بالنسبة إلى أجهزة تثبيت PCB مثل مقابس الصوت ومقياس الجهد والمشفرة الدوارة ، يرجى التأكد من أن الأجزاء التي اشتريتها متوافقة مع بصماتها وفتحات التثبيت.

خطوة. 3 لحام وإكمال PCBA

دعونا لحام المكونات على ثنائي الفينيل متعدد الكلور. نظرًا لأن معظم المكونات هي SMD ، يبدو أنها صعبة بالنسبة للمبتدئين. أعتقد أن إكماله يستغرق أكثر من 3 ساعات إذا قام به مهندسون من المستوى المتوسط. على وجه الخصوص ، IC U1 و U2 عبارة عن حزمة TSSOP (يرجى الرجوع إلى الصورة أدناه) ويصعب جدًا لحامها يدويًا إذا لم تكن قد فعلت ذلك من قبل (سأقوم بتغييرها إلى حزمة SOP التي تكون أسهل بكثير للحام اليدوي في ثنائي الفينيل متعدد الكلور التالي تحديث).

بالنسبة للحام U1 و U2 ، يجب عليك تحضير تدفق اللحام وفتيل اللحام والملاقط. يساعدك على القتال معهم. حول اللحام باستخدام التدفق ، يرجى الرجوع إلى هذا الفيديو على youtube.

بعد الانتهاء من اللحام وجميع المكونات ملحومة ، دعنا نتحقق من ماس كهربائى بين الطاقة (5V ، 3V ، -5V ، -3V) وخط GND. من خلال القيام بذلك قبل تشغيل اللوحة في المرة الأولى ، يمكنك منع تلف الأجهزة.

لوضع شاشة LCD ، يمكنك تنزيل بيانات حامل LCD ثلاثية الأبعاد من هنا. يرجى طباعته بواسطة طابعة ثلاثية الأبعاد ولصقها على PCB بشريط مزدوج الوجه

خطوة. 4 قم بتحميل رسم تخطيطي إلى Arduino Nano

الخطوة التالية هي تحميل الرسم التخطيطي إلى Arduino Nano. يمكنك تنزيل الكود المصدري لـ Arduino من هنا ، قم بتوصيل كبل USB بـ Arduino وافتح Arduino IDE (احرص على عدم توصيل طاقة USB بكل من موصل USB C على اللوحة و USB mini-B على Arduino).

في Arduino IDE -> Tools ، يرجى تحديد منفذ COM الصحيح. ولأنني أستخدم Arduino Nano v3.0 (نسخة) ، يرجى اختيار ATmega328p (أداة تحميل التشغيل القديمة). ثم قم بتنفيذ التحميل

بعد التحميل ، المجلس يعمل ويعمل. تهانينا!

خطوة. 5 علب طباعة ثلاثية الأبعاد

يمكنك تنزيل بيانات ثلاثية الأبعاد (.stl) من هنا ، وهي تتكون من بياناتين. أحدهما كبير والآخر هو الحالة السفلية. يرجى تقطيعها باستخدام برنامج تقطيع الطابعة ثلاثية الأبعاد وطباعتها بواسطة الطابعة ثلاثية الأبعاد. يستغرق الأمر وقتًا طويلاً خاصة بالنسبة للأحرف الكبيرة (حوالي 11 ساعة). بالنسبة لحالتي ، بدأت الطباعة ليلاً وانتهت في صباح اليوم التالي.

خطوة. 6 التجميع

الآن ، لديك كل الأشياء. بالإضافة إلى ذلك ، فأنت بحاجة إلى أربعة براغي (برغي خشبي ، قطرها 2.8 مم وطولها حوالي 13 مم

امسك العلبة العلوية رأسًا على عقب. بعد ذلك ، ضع PCBA بحيث يتم إدخال الموصلات والمقابس الموجودة على PCB في الفتحات بشكل صحيح.

بعد ذلك ، ضع الغطاء السفلي في الجزء السفلي من ثنائي الفينيل متعدد الكلور. يرجى التأكد من محاذاة مواضع الثقوب بشكل جيد.

ثم قم بلف البرغي الأربعة في جميع الزوايا.

 ، لقد أكملت الآن كل شيء! قم بتوصيله بجهاز الكمبيوتر أو الهاتف الذكي عبر LINE IN وحاول أخذ عينات من بعض الأصوات. واستمتع باللعب مع الموسيقى.

يرجى الانضمام

لقد بدأت هذا المشروع وحتى الآن كنت أعمل لهذا المشروع وحدي. ولكن نظرًا لأنني في الأساس مهندس كهربائي ولست جيدًا في البرمجة ، فسأكون سعيدًا إذا كان بإمكانك مساعدتي بشكل خاص في تطوير برامجه.

OpnBeat_PROTO3_v03_01_schematic_20230404

كود

اكتشف انسداد التصريف باستخدام Tiny ML + LoRa

 استخدام مستشعر ذكي خارجي - A1101 لاكتشاف تراكم الأوراق والزهور وغيرها من الحطام لتصريف المياه وتنبيه المستخدم

الأشياء المستخدمة في هذا المشروع

مكونات الأجهزة

 Studio SenseCAP A1101 - مستشعر LoRaWAN Vision AI

ستوديو إيدج إمبلس

قصة

مكتبي به شرفة جميلة.

الدخول إلى هذه المنطقة يشبه الدخول إلى حديقة هادئة. خلال فصلي الربيع والصيف ، تمتلئ الشرفة بألوان نابضة بالحياة - حيث تخلق الأزهار والنباتات المتفتحة جوًا مبهجًا حقًا. ولكن مع كل هذا الجمال يأتي جانبًا سلبيًا - بتلات وأوراق متساقطة جرفتها الرياح القوية أو الأمطار ويمكن أن تسد مصرف الشرفة بسرعة! أريد أن أجد طريقة لاكتشاف متى كان هناك تراكم للحطام لتصريف شرفتنا وإرسال تنبيهات لاتخاذ الإجراءات في الوقت المناسب.

للعثور على أفضل حل مناسب ، قمت بإدراج العقبات الرئيسية التي أواجهها.

1. ليس لدي أي مهارة في توصيل الأسلاك ، ولا توجد طريقة يمكنني من خلالها توصيل المستشعر بالخارج في الشرفة ، فالمستشعر اللاسلكي هو خياري الوحيد.

2. اتصال واي فاي سيء في الشرفة. أحتاج إلى اتصال قوي وموثوق به حتى في البيئات المعقدة وبعيدة المدى.

3. لاستخدام في الهواء الطلق ، وانخفاض الصيانة ، وانخفاض استهلاك الطاقة ، لا أريد شحن البطارية كل يوم.

4. أنا سيء حقًا في البرمجة ، فأنا أريد فقط حل بدون رمز.

5. أنا مجرد مبتدئ في TinyML ، لا أعرف الكثير عن نموذج التدريب وبنية الشبكة العصبية.

بناءً على ما هو مذكور أعلاه ، أعتقد أنني بحاجة إلى مستشعر صور ذكي خارجي يمكنه إجراء استنتاج محلي ثم نقل النتائج باستخدام LoRa ، واخترت Edge Impulse لمساعدتي في تدريب النموذج.

مقدمة سريعة عن Seeed SenseCAP A1101 و Edge Impulse (EI) في حالة الحاجة.

A1101 هو مستشعر صور ذكي ، يدعم مجموعة متنوعة من نماذج الذكاء الاصطناعي مثل التعرف على الصور وعد الأشخاص واكتشاف الهدف وما إلى ذلك.

مزود بعلبة IP66 وتصميم من الدرجة الصناعية ، يمكن استخدامه في ظروف صعبة مثل الأماكن ذات درجات الحرارة العالية أو التي يصعب الوصول إليها. فهو يجمع بين TinyML و LoRaWAN® لتمكين الاستدلال المحلي والإرسال لمسافات طويلة وهما المتطلبان الرئيسيان من الاستخدام الخارجي.

ما هو أكثر من ذلك ، إنه يعمل بالبطارية. هذا يعني أنه يمكن نقل البيانات التي يجمعها الجهاز دون الحاجة إلى مصدر طاقة خارجي ، مما يجعله مثاليًا لتطبيقات المراقبة عن بُعد.

Edge Impulse هي منصة التطوير الرائدة للتعلم الآلي على الأجهزة المتطورة ، وهي تدعم بشكل كامل A1101. بالنسبة لي ، إنها منصة لا تحتوي على رمز واحد ، ويمكنني أخذ عينات من البيانات الأولية ، وبناء النماذج ، ونشر نماذج التعلم الآلي المدربة على A1101 مباشرة من استوديو EI دون الحاجة إلى أي برمجة.

ملاحظات: تم تجهيز A1101 باتصال LoRaWAN ، يرجى التأكد من وجود تغطية شبكة LoRaWAN في الموقع. خلاف ذلك ، سوف تحتاج إلى نشر بوابة. انقر هنا للتحقق من بوابة LoRaWAN.

هيا بنا نبدأ!!

الخطوة 1 قم بتثبيت EI CLI

يرجى الرجوع إلى هذه الوثائق من EI لتثبيت Python 3 و Node.js و EI CLI.

بعض النصائح التي أود مشاركتها:

1. واجهت المشكلة التالية عندما أقوم بتثبيت CLI - فهذا يعني أنه لم يتم اكتشاف إصدار Xcode أو CLT. لذلك ، أعدت تثبيته باستخدام xcode-select - install.

2. قد تواجه خطأ في الإذن مثل "خطأ: الوصول: تم رفض الإذن" ، يمكنك حل هذا عن طريق إضافة sudo في بداية الأمر. على سبيل المثال ، لتثبيت Edge Impulse CLI بامتيازات عالية ، الإدخال

sudo npm install -g edge-impulse-cli –-force




3. تحقق سريعًا لمعرفة ما إذا كنت قد قمت بتثبيت CLI بنجاح. إذا قمت بكتابة ed + tab ، فسيتم سرد جميع الأوامر على النحو التالي.

الخطوة 2 قم بتوصيل A1101 بـ EI studio

1. قم بتوصيل A1101 بجهاز الكمبيوتر المحمول الخاص بك باستخدام كبل من النوع C.

2. قم بتشغيل برنامج edge-impulse-daemon في الجهاز الطرفي (أنا أستخدم MacOS Monterey V12.5.1) ، ثم ستجد A1101 مدرجًا ضمن جهازك مع الضوء الأخضر ، مما يعني أنه متصل بنجاح بواجهة برمجة تطبيقات الإدارة عن بُعد الخاصة بـ EI.

الخطوة 3: الاستعداد لاكتساب البيانات

للتأكد من أن طراز الإخراج هو الأنسب للطراز A1101 ، استخدمت جهاز A1101 لالتقاط العينات بدلاً من التقاط الصور بهاتفي أو الكاميرات الأخرى. ساعد هذا النهج على ضمان التقاط العينات في ظل نفس الظروف وبنفس الأجهزة المستخدمة في النشر النهائي ، مما أدى إلى نموذج أكثر دقة وموثوقية.

فاصل صغير مضحك: قرر المطر الظهور أثناء أخذ العينات. لحسن الحظ ، كنت أنا و A1101 مقاومًا للماء ، ويبدو أن جهاز الكمبيوتر المحمول الخاص بي كان أكثر أهمية مني ، لأنه كان الوحيد الذي ظل جافًا تحت مظلة

الخطوة 4: بدء أخذ العينات

جمعت بعض البتلات والأوراق لمحاكاة مستوى مختلف من الانسداد.

أقوم بتصنيف جميع الصور إلى 3 أسماء ، نظيفة ، محظورة قليلاً ، محظورة.

اسم الإدخال ، اضبط الكاميرا على دقة 160 × 160 للحصول على صورة أوضح لوضع العلامات. ثم انقر فوق بدء أخذ العينات.

جمعت 196 صورة ، 52 صورة نظيفة ، 67 ممنوعة قليلاً ، 77 ممنوعة. نظرًا لأنه يمكن التعرف على الميزة النظيفة بسهولة ، فقد جمعت عينات أقل منها مقارنة بالميزتين الأخريين.

الخطوة 5: وضع العلامات

انقر فوق Labeling queue.

تعتبر تسمية الصور مهمة متكررة. يتطلب تصنيف 10 صور سحب صندوق وتحريكه ووضع العلامات 10 مرات ، بينما يتطلب تصنيف 100 صورة القيام بذلك 100 مرة. أثناء القيام بذلك بنفسي ، لدي احترام عميق للأشخاص الذين يساهمون في كل مجموعات تصنيف البيانات المفتوحة هذه ، هناك الكثير من العمل غير المرئي وراء هذه

هناك العديد من النصائح الأساسية التي يجب وضعها في الاعتبار لضمان جودة النموذج.

1. أولاً ، تأكد من أن الصندوق يتم توسيطه بإحكام حول الكائن المطلوب مع الحد الأدنى من الخلفية. هذا يمنع AI من تعلم معلومات الخلفية غير الضرورية ويضمن دقة نموذج أفضل.

2. تأكد من أن جودة الصورة مطابقة للمعايير ويمكن التعرف عليها بسهولة أولاً. إذا لم تتمكن من تحديد الكائن بوضوح ، فلا تتوقع من الذكاء الاصطناعي القيام بذلك أيضًا.

3. كن واضحًا ومتسقًا مع تعريفات بطاقات التعريف الخاصة بك. على سبيل المثال ، يجب أن تستخدم صورتان متماثلتان أدناه نفس التسمية مثل "ممنوع قليلاً". يمكن أن تؤدي التسميات الغامضة أو المربكة إلى ضعف الأداء ، خاصة عند العمل مع عدد محدود من العينات.

الخطوة 6: انقل بعض بيانات التدريب إلى مجموعة الاختبار

تُستخدم مجموعة الاختبار لاختبار دقة نموذجك بعد التدريب. توصي EI بمعدل تقسيم تقريبي 80/20 تدريب / اختبار لبياناتك لكل فصل (أو ملصق) في مجموعة البيانات الخاصة بك. أنا كسول وأريد أن أحاول بأقل.

لذلك ، قمت بنقل 19 إلى اختبار البيانات ، و 4 نظيف ، و 7 محظور قليلاً و 8 محظور.

الخطوة 7: خلق الدافع

في البداية ، قمت بضبط دقة الكاميرا على 160 × 160 ، لكنني الآن بحاجة إلى إعادة ضبطها على 96 × 96. سيؤدي هذا إلى تغيير حجم العينات إلى 96 × 96 ، مما يسمح للنموذج بالتدريب على هذا القرار. سينتج عن ذلك نموذج أصغر وهدفي هو تحقيق سرعة استدلال سريعة على A1101.

تحقق من ميزات الإخراج في لقطة الشاشة أدناه ، فهذا يعني أنه تم تصنيف الاستنزاف المحظور على أنه كائن 0 ، واستنزاف نظيف ككائن 1 ، وتم حظره قليلاً ككائن 2. سيكون الإخراج من AI في شكل احتمالات لكل كائن ، معبرًا عنه كنسب مئوية. على سبيل المثال ، قد يشير الإخراج إلى أن هناك فرصة بنسبة 85٪ أن الصورة عبارة عن كائن 0 (استنزاف مسدود) ، واحتمال بنسبة 10٪ أن تكون كائنًا 1 (استنزاف نظيف) ، واحتمال 5٪ أن تكون كائن 2 ( قليلا محظورة).

أدخل اسمًا ثم انقر فوق Save Impulse

الخطوة 8 إنشاء ميزات الصورة

اضبط عمق اللون على Grayscale.

الخطوة 9 تحقق من جودة عينات الصور

انقر فوق "إنشاء ميزات" لتقييم جودة الصور بسرعة. يتم عرض المعالم المستخرجة على الخريطة ، حيث يشير الفصل الأفضل بين النقاط إلى معالم أوضح.

في مجموعة البيانات الخاصة بي ، يمكن تمييز النقطة الزرقاء (المحظورة) بوضوح ، لكن النقاط الخضراء (المحظورة قليلاً) والبرتقالية (النظيفة) تتداخل ، مما قد يتسبب في تشويش النموذج أحيانًا بين الصور المحظورة والنظيفة. لقد راجعت الصور الموجودة خلف هاتين النقطتين مرة أخرى وتحققت من تصنيفها بشكل صحيح. ومع ذلك ، أفهم سبب عدم وضوح الميزات في هاتين الصورتين ، وهذا هو سبب تداخلهما.

إذا لاحظت صعوبة فصل البيانات في المستكشف ، فقد تصارع الشبكة العصبية أيضًا.

إذا كنت بحاجة إلى شرح كامل لهذه الأداة ، يمكنك زيارة EI doc.

الخطوة 10 ابدأ التدريب

لأكون صادقًا ، ما زلت غير متأكد من أفضل إعدادات التدريب ، حيث يبدو أنها عملية تجربة وخطأ. ومع ذلك ، أود أن أشارك تجربتي حتى الآن.

يشير عدد دورات التدريب إلى عدد المرات التي تقوم فيها بإدخال مجموعات البيانات الخاصة بك إلى النموذج. أعتقد أنه بمجرد أن تصل دقة النموذج إلى الذروة ، لن تؤدي دورات التدريب الإضافية إلى تحسينها أكثر من ذلك.

معدل التعلم: شح أنسخه من chatGPT. إنه عامل رئيسي في تحديد مدى سرعة تعلم النموذج. إذا كان معدل التعلم مرتفعًا جدًا ، فقد يفقد النموذج الحل الأفضل ، بينما قد يستغرق معدل التعلم المنخفض وقتًا طويلاً للعثور على حل جيد.

يحدد حجممموعة التحقق من الصحة عدد الصور التي تم وضع علامة عليها للتحقق من الصحة. الإعداد الافتراضي هو 20٪ ، ولكن في حالتي ، مع وجود أكثر من 100 صورة فقط ، وجدت أن نسبة 10٪ كافية.

زيادة البيانات هي تقنية يمكنها تحسين الدقة ، لكنني لست على دراية بها. ومع ذلك ، قررت أن آخذه.

اخترت استخدام FOMO لتدريب مجموعات البيانات الخاصة بي لأن حجم النموذج صغير.

نتيجة التدريب لأول مرة - ليست جيدة بما يكفي بنسبة 75٪ فقط

بعد عدة جولات من التحسين - يبدو جيدًا الآن بنسبة 97.3٪.

الخطوة 11 اختبار النموذج

انقر فوق نموذج الاختبار.

تتكون بيانات الاختبار من صور لم يرها النموذج المدرب. تُستخدم هذه الصور لتقييم أداء النموذج والتأكد من أنه يمكن التعميم جيدًا على البيانات الجديدة غير المرئية. من خلال اختبار النموذج على هذه البيانات ، يمكننا تقييم دقته وإجراء أي تعديلات ضرورية قبل نشره.

الخطوة 12 النشر

قم بالتمرير لأسفل ، واختر A1101 واختر التحسين الكمي لأنني أريد استنتاجًا أسرع على الجهاز. ستتمكن من تنزيل برنامج ثابت عند إنشاء النموذج.

الخطوة 13: اسحب البرنامج الثابت الذي تم تنزيله إلى SENSECAP

تأكد من توصيل A1101 بجهاز الكمبيوتر المحمول الخاص بك. انقر نقرًا مزدوجًا فوق زر التمهيد للدخول في وضع التمهيد. ثم سترى محرك تخزين جديد يسمى SENSECAP. اسحب البرنامج الثابت إلى SENSECAP

الخطوة 14 افصل الكبل من النوع C. بعد ذلك ، نحتاج إلى تكوين A1101 للاتصال بالسحابة.

يتيح لي هذا التحقق من نتيجة الاستنتاج عبر الهاتف.

1. قم بتنزيل تطبيق SenseCAP Mate

2. اختر خادمًا عالميًا وقم بتسجيل الدخول.

3. اتبع الخطوات أدناه لتهيئة A1101.

4. الإعدادات

النظام الأساسي: SenseCAP لـ TTN.

الخوارزمية: كشف الكائن

خطة التردد: US915

الفاصل الزمني للوصلة الصاعدة: أختار 60 دقيقة ، مما يعني أنني سأتلقى نتيجة مدفوعة كل ساعة.

انقر فوق إرسال

الخطوة 15 تحقق من أداء النموذج

هنا يأتي الجزء الأكثر إثارة !!!!! أنشر صورًا مختلفة بمستوى مختلف من الانسداد على شاشتي وأعرضها على A1101.

تم تصنيف الصرف المحظور على أنه كائن 0 ، وتصريف نظيف ككائن 1 ، وتم حظره قليلاً ككائن 2. عندما عرضت A1101 صورة تصريف نظيفة ، تنبأ بدقة أنه كان 97٪ كائن 1 (نظيف).

الخطوة 16 امسح رمز QR على الجهاز لإضافة A1101 في حسابي

ثم يمكنني التحقق من مستوى انسداد التصريف على SenseCAP Mate.

الخطوة 17: ضع A1101 على مراقبة الصرف

ملخص سريع - استغرق الأمر مني حوالي 8 ساعات لإكمال هذا العرض التوضيحي. لقد أمضيت 4 ساعات في أخذ العينات ووضع العلامات ، وواجهت بعض التحديات مع جودة الصورة الرديئة التي تتطلب إعادة التقاط. في البداية ، اعتقدت أن هذا سيكون سيناريو سهلًا للذكاء الاصطناعي والتقط 60 صورة فقط. ومع ذلك ، كان أداء النموذج ضعيفًا ، واضطررت إلى زيادة عدد الصور إلى 196 صورة لتحقيق دقة أفضل. كمبتدئ ليس لديه خبرة في تحسين النموذج ، كان الأمر يستغرق وقتًا طويلاً لتجربة إعدادات التدريب ، واستغرق الأمر 4 ساعات أخرى للعثور على أفضل تكوين. الآن لدي المزيد من الخبرة في هذه العملية ، يجب أن تكون أسرع في المرة القادمة.

أود أن أعرب عن امتناني لجميع الأشخاص الذين ساهموا في فتح أدوات ومجموعات بيانات الذكاء الاصطناعي. بفضل جهودهم ، يمكن للأشخاص مثلي الذين ليس لديهم معرفة عميقة بالبرمجة بناء مستشعرات الذكاء الاصطناعي الخاصة بهم.

لا تتردد في استنساخ المشروع هنا 

شرح saeeed

شرح اضافي