Mouser German Blog

Grundlagen von Edge Impulse – Teil 4: Lernblöcke

Im vorherigen Kapitel unserer Edge Impulse-Reihe haben wir uns näher mit dem Create-Impulse-Workflow und Verarbeitungsblöcken beschäftigt. Zur Erinnerung: Mithilfe von Verarbeitungsblöcken werden einzigartige Merkmale aus den Rohdaten extrahiert, die wiederum in die Lernblöcke eingespeist werden. So wird ein benutzerdefiniertes Machine-Learning-Modell erstellt, das schließlich in Embedded-Systemen für Edge-Inferencing in Echtzeit eingesetzt werden kann. Es gibt verschiedene Arten von Verarbeitungsblöcken, die jeweils für unterschiedliche Arten von Daten geeignet sind, beispielsweise für Bilder, Ton und Beschleunigungsmesser.

In diesem Beitrag befassen wir uns mit Lernblöcken und dem Ausgabeblock als Abschluss des Create-Impulse-Workflows. In Edge Impulse bezeichnet der Begriff Lernblöcke die Algorithmen für das Machine Learning, die zum Trainieren von Modellen mit vorverarbeiteten Daten verwendet werden. Diese Algorithmen sind so konzipiert, dass sie aus den extrahierten Datenmerkmalen Muster und Beziehungen erkennen und auf der Grundlage dieser Erkenntnisse Vorhersagen oder Klassifizierungen vornehmen.

Den Edge Impulse-Nutzern stehen verschiedene „vorbereitete“ Lernblöcke zur Verfügung, die sich für unterschiedliche Anwendungsfälle eignen. Sie können auch gestapelt werden, um verschiedene Ergebnisse zu erzielen (Abbildung 1). Zu den wichtigsten standardmäßig verfügbaren Lernblöcken zählen unter anderem:

• Klassifizierung: Lernt Muster anhand von Daten und kann diese auf neue Daten anwenden, um bestimmte Klassifizierungen vorherzusagen. Besonders geeignet für die Kategorisierung von Bewegungen oder die Erkennung von Audio.
• Anomalie-Erkennung (K-means): Findet Unregelmäßigkeiten in neuen Daten. Gut geeignet für die Erkennung unbekannter Zustände als Ergänzung zu Klassifizierungsverfahren. Funktioniert am besten mit Merkmalen mit geringer Dimensionalität, wie beispielsweise der Ausgabe des Spektralmerkmal-Blocks.
• Regression: Lernt Muster anhand von Daten und kann diese zur Vorhersage von Größen auf neue Daten anwenden. Gut geeignet für die Vorhersage kontinuierlicher numerischer Werte.
• Transfer Learning (Bilder): Verfeinert ein vorab trainiertes Bildklassifizierungsmodell auf Ihre Daten. Gute Leistung auch bei relativ kleinen Bilddatensätzen.
• Objekterkennung (Bilder): Feinabstimmung eines vorab trainierten Objekterkennungsmodells auf Ihre Daten. Gute Leistung auch bei relativ kleinen Objektdatensätzen.
• Transfer Learning (Stichwortsuche): Feinabstimmung eines vorab trainierten Modells zur Erkennung von Stichwörtern auf Ihren Daten. Gute Leistung auch bei relativ kleinen Stichwortdatensätzen.

Wie bei den Verarbeitungsblöcken können Benutzer ihre eigenen benutzerdefinierten Lernblöcke in PyTorch, Keras oder scikit-learn erstellen und diese in die Edge Impulse-Trainingspipeline einbringen. Edge Impulse unterstützt eine Reihe gängiger Algorithmen für Machine Learning, darunter neuronale Netze, Entscheidungsbäume und Support Vector Machines. Das Verständnis der Feinheiten der verschiedenen Machine-Learning-Algorithmen ist von entscheidender Bedeutung, da Edge Impulse-Benutzer die Leistung des Verarbeitungsblocks durch die Konfiguration verschiedener Parameter erheblich beeinflussen können. Im Folgenden schauen wir uns die gängigsten Machine-Learning-Modelle genauer an:

• Neuronale Netze: Ein beliebter Algorithmus für das Machine Learning, der der menschlichen Gehirnstruktur nachempfunden ist. Neuronale Netze bestehen aus mehreren Ebenen von miteinander verbundenen Knoten, die Eingabedaten verarbeiten und Vorhersagen auf der Grundlage erlernter Muster treffen. Edge Impulse bietet eine Reihe von Architekturen für neuronale Netze, darunter Faltungsnetze („Convolutional Neural Networks“, CNNs), rekurrente neuronale Netze (RNNs) und vollständig verbundene Netze.
• Entscheidungsbäume: Ein Algorithmus, der ein Baumstrukturmodell von Entscheidungen und deren möglichen Folgen erstellt. Sie werden häufig für Klassifizierungsaufgaben verwendet und sind besonders hilfreich, wenn es viele Merkmale gibt oder wenn die Beziehungen zwischen den Merkmalen komplex sind. Edge Impulse bietet eine Reihe von Entscheidungsbaum-Algorithmen, darunter Random Forest und Gradient Boosting.
• Support Vector Machines (SVMs): Ein Algorithmus, der sich besonders für Klassifizierungsaufgaben mit komplexen, nicht-linearen Grenzen eignet. Die SVMs suchen nach der optimalen Hyperebene, mit der die Eingabedaten in verschiedene Klassen aufgeteilt werden können. Edge Impulse bietet eine Reihe von SVM-Algorithmen, darunter lineare SVM und RBF-Kernel-SVM (Radial Basis Function).
• k-Nächste Nachbarn (k-NN): Ein Algorithmus, der für Klassifizierungs- und Regressionsaufgaben verwendet wird. Er findet die K-Datenpunkte, die einer bestimmten Eingabe am nächsten liegen, und verwendet die Mehrheits- oder Durchschnittsbezeichnung dieser Punkte als vorhergesagte Bezeichnung für die Eingabe. Edge Impulse bietet eine Reihe von k-NN-Algorithmen, darunter k-NN mit euklidischem Abstand und k-NN mit Cosinusabstand.
• Clustering: Ein Algorithmus, der für nicht überwachte Lernaufgaben verwendet wird, beispielsweise um ähnliche Datenpunkte zu gruppieren. Edge Impulse bietet eine Reihe von Clustering-Algorithmen, darunter k-means Clustering und hierarchisches Clustering.

Die Lernblöcke von Edge Impulse bieten eine Reihe von Algorithmen für Machine Learning, die für verschiedene Arten von Eingabedaten und unterschiedliche Anwendungsfälle geeignet sind. So können die Benutzer durch Auswahl des geeigneten Lernblocks für eine bestimmte Aufgabe Machine-Learning-Modelle erstellen, die für ihre spezifischen Anforderungen optimiert sind.

Damit ist der Aufbau der Impulstrainings-Pipeline abgeschlossen. Die Trainingsdaten können nun zum Trainieren des neuronalen Netzes verwendet werden, und wir können beginnen, die Leistung unseres Modells zu ermitteln (Abbildung 2). Die folgenden Schritte variieren je nach den verwendeten Lernblöcken.

Im nächsten Teil unserer Edge Impulse-Beitragsreihe beschäftigen wir uns mit der Verwendung der Edge Impulse-Trainingspipeline zur Analyse der Spektralkomponenten der Rohdaten und zur Erzeugung von Merkmalen, Anomalieerkennung und Klassifikatoren.