Mouser Blog | France

Dans notre dernier article de blog sur Edge Impulse, nous avons commencé à approfondir le sujet du flux de travail Create Impulse en examinant les différents types de blocs de traitement ainsi que leur usage respectif. Pour rappel, les blocs de traitement permettent d’extraire les caractéristiques uniques dans les données brutes qui, à leur tour, seront alimentées dans les blocs d’apprentissage afin de générer un modèle d’apprentissage automatique (machine learning) sur mesure qui sera finalement déployé sur des systèmes embarqués pour une inférence en temps réel. Il existe différents types de blocs de traitement, chacun étant adapté à différents types de données, par exemple des images, des sons ou des signaux d’accéléromètre.

Dans le présent article, nous nous intéresserons aux blocs d’apprentissage ainsi qu’au bloc de sortie, qui vient conclure le flux de travail Create Impulse. Dans Edge Impulse, on entend par blocs d’apprentissage les algorithmes d’apprentissage automatique qui servent à entraîner des modèles sur des données prétraitées. Ces algorithmes sont conçus pour découvrir des schémas et des relations à partir des caractéristiques extraites des données et pour faire des prédictions ou des classifications sur la base de cet apprentissage de découverte.

Les utilisateurs d'Edge Impulse disposent aussi de plusieurs blocs d’apprentissage « préconçus ». Ces blocs sont adaptés à différents cas d’utilisation. Ils peuvent aussi être empilés afin de créer différents résultats (Figure 1). Parmi les principaux blocs d’apprentissage disponibles, on trouvera notamment ceux-ci :

• Classification : ce bloc d’apprentissage apprend des schémas à partir des données et peut les appliquer à de nouvelles données pour aider à prédire des étiquettes de classe distinctes. Il est idéal pour la catégorisation de mouvement ou la reconnaissance audio.
• Détection d’anomalie (K-moyennes) : cet algorithme localise les valeurs aberrantes dans les nouvelles données. Il s’avère efficace pour la reconnaissance d’états inconnus afin de compléter les classificateurs. Il fonctionne au mieux avec des caractéristiques dimensionnelles basses, telles que le résultat du bloc de caractéristiques spectrales.
• Régression : celui-ci apprend des schémas à partir des données et peut les appliquer à de nouvelles données pour aider à prédire des quantités. Il excelle dans la prédiction de valeurs numériques continues.
• Transfert d’apprentissage (images) : ce bloc d’apprentissage affine un modèle de classification d’image préformé sur vos données. Il livre de bonnes performances même avec des jeux de données d’image relativement petits.
• Détection d’objet (images) : il affine un modèle de détection d’objet préformé sur vos données. Il se montre lui aussi assez efficace, même avec des jeux de données d’objet relativement petits.
• Transfert d’apprentissage (repérage de mot-clé) : celui-ci affine un modèle de repérage de mot-clé préformé sur vos données. Là encore, il livre des résultats satisfaisants en présence de jeux de données de mots-clés relativement petits.

Figure 1 : les deux derniers stades d’Impulse Design sont la mise en place des blocs d’apprentissage et le bloc de sortie (Source : Green Shoe Garage)

Comme pour les blocs de traitement, les utilisateurs peuvent créer leurs propres blocs d’apprentissage personnalisés dans PyTorch, Keras ou scikit-learn et les amener dans la structure de formation Edge Impulse. Edge Impulse prend en charge une série d’algorithmes populaires pour l'apprentissage automatique, notamment des réseaux neuronaux, des arbres décisionnels et des machines vectorielles de soutien. Il est important pour les utilisateurs d'Edge Impulse de bien saisir les nuances des différents algorithmes d’apprentissage automatique, car ils ont la possibilité de configurer différents paramètres, ce qui peut avoir une incidence importante sur la performance du bloc de traitement. Dès lors, un petit passage en revue des modèles d’apprentissage automatique les plus courants s’impose.

• Réseaux neuronaux : ces algorithmes populaires d'apprentissage automatique sont modélisés selon la structure du cerveau humain. Ils sont constitués de couches de nœuds interconnectées qui traitent des données d’entrée et émettent des prédictions sur la base des schémas appris. Edge Impulse fournit une série d’architectures de réseaux neuronaux, parmi lesquels figurent les réseaux neuronaux convolutifs (CNN), les réseaux neuronaux récurrents (RNN) et les réseaux entièrement connectés.
• Arbres décisionnels : ce type d’algorithme établit un modèle de décision en arborescence et les conséquences possibles. Les algorithmes de ce type sont souvent utilisés pour des tâches de classification et sont particulièrement utiles en présence de nombreuses caractéristiques ou si les relations entre les caractéristiques sont complexes. Edge Impulse fournit une série d’algorithmes d’arbre décisionnel, dont un algorithme de forêt aléatoire et un algorithme de gradient boosting.
• Machines vectorielles de soutien (SVM) : ce type d’algorithme est particulièrement utile pour les tâches de classification avec des limites complexes, non linéaires. Elles fonctionnent par la recherche de l’hyperplan optimal qui sépare les données d’entrée en différentes classes. Edge Impulse fournit une série d’algorithmes SVM parmi lesquels des SVM linéaires et des SVM à noyau de fonction de base radiale (RBF).
• k-plus proches voisins (k-NN) : ce type d’algorithme est utilisé pour des tâches de classification et de régression. Il fonctionne par la recherche des points de données k les plus proches d’une entrée donnée et par l’utilisation de l’étiquette majoritaire ou moyenne de ces points comme l’étiquette prévue pour l’entrée. Edge Impulse fournit une série d’algorithmes k-NN dans laquelle on retrouvera k-NN de distance euclidienne et k-NN de distance cosinusoïdale.
• Regroupement : ce type d’algorithme est utilisé pour des tâches d’apprentissage non surveillé, telles que le regroupement de points de données similaires. Edge Impulse fournit une série d’algorithmes de regroupement, dont k-moyennes de regroupement et k-moyennes de regroupement hiérarchique.

Pour résumer, les blocs d’apprentissage d'Edge Impulse fournissent une série d’algorithmes d’apprentissage automatique adaptés à différents types de données d’entrée et à différent cas d’utilisation. Les utilisateurs sont ainsi en mesure de créer des modèles d’apprentissage automatique parfaitement adaptés à leurs besoins spécifiques en sélectionnant le bloc d’apprentissage approprié pour une tâche donnée.

C’est à ce stade qu’a été créée la structure d'entraînement Impulse. Les données d'entraînement peuvent désormais être utilisées pour instruire le réseau neuronal et nous pouvons commencer à évaluer la performance de notre modèle (Figure 2). Les étapes suivantes se différencieront en fonction des blocs d’apprentissage appliqués.

Figure 2 : chaque bloc d’apprentissage ajouté à un bloc Impulse peut être analysé et affiné. Dans cet exemple, la performance d’un bloc d’apprentissage pour la détection d’anomalie est affichée (Source : Green Shoe Garage)

Dans la prochaine partie de notre série d’articles de blog sur Edge Impulse, nous nous pencherons sur l’utilisation de la structure d'entraînement Edge Impulse pour analyser les composants spectraux des données brutes et générer des caractéristiques, une détection d’anomalie et des classificateurs.

À propos de l’auteur

Michael Parks, P.E., est le cofondateur de Green Shoe Garage, un studio de conception électronique sur mesure et une société de recherche en sécurité intégrée située dans l'ouest du Maryland. Il produit le podcast Gears of Resistance pour aider à sensibiliser le public aux questions techniques et scientifiques. Michael est également ingénieur agréé dans l’État du Maryland et est titulaire d’un master en ingénierie des systèmes de l’université Johns Hopkins.