Outil de classification en direct pour des essais en situation réelle.

Nous voici de retour pour notre série d’articles sur Edge Impulse, l’un des acteurs majeurs dans le monde de l’apprentissage automatique (machine learning, ML) embarqué. Spécialement conçue pour fournir aux développeurs les outils dont ils ont besoin pour intégrer des capacités d’apprentissage automatique à des appareils périphériques, cette plateforme offre de nombreuses fonctionnalités, dont la classification en direct, qui s’avère essentielle pour la réalisation d’essais en situation réelle. La fonction de classification en direct permet de valider votre modèle dans le navigateur avec des données capturées directement à partir de n’importe quel appareil ou de n’importe quelle carte de développement prise en charge. Grâce à cette fonction, vous n’aurez plus besoin de déployer votre modèle à chaque itération. Pour utiliser la classification en direct, vous devez d’abord créer une impulsion. Pour ce faire, nous vous renvoyons aux articles précédents de cette série. Pour rappel, une impulsion est un ensemble de données, de blocs de prétraitement et de blocs d’apprentissage qui peuvent être utilisés pour classer de nouvelles données. Une fois l'impulsion créée, vous pouvez connecter votre appareil à Edge Impulse et démarrer la classification en direct.

Comprendre la classification en direct

Dans Edge Impulse, la classification en direct fait référence au traitement et à l’analyse en temps quasi réel, dans le cloud, des données directement extraites des capteurs embarqués sur les appareils périphériques. En mode Classification en direct, Edge Impulse capte en continu les données diffusées depuis votre appareil et les classe à l’aide de votre modèle. Vous voyez en temps réel les résultats de la classification et vous pouvez ajuster les seuils de classification pour améliorer la précision. Ce mode de traitement s’avère utile pour déboguer votre modèle et identifier les problèmes. Enfin, un modèle validé à l’aide de données réelles a aussi plus de chances de fonctionner correctement une fois déployé.

Pour activer la classification en direct, vous devez utiliser l’une des cartes de développement prises en charge, un smartphone ou un ordinateur (PC). Si vous utilisez une carte de développement, celle-ci doit être connectée par USB à un PC connecté à Internet. Les données sont alors diffusées par le PC au service d’ingestion Edge Impulse à l’aide de l’interface de ligne de commande (CLI) Edge Impulse ou Web Serial (WebUSB). Le principal avantage de WebUSB est qu’il peut collecter les données de n’importe quelle carte de développement entièrement prise en charge directement depuis votre navigateur sans avoir besoin d’installer de logiciel supplémentaire sur votre ordinateur. En revanche, l'expéditeur de données (data forwarder) peut être utilisé avec toutes les cartes de développement, en plus de celles qui sont officiellement prises en charge.

Dans Edge Impulse Studio, l’outil de classification en direct propose plusieurs paramètres modifiables par l’utilisateur. Tout d’abord, vous pouvez spécifier de quel appareil doivent provenir les données entrantes. Si la carte dispose de plusieurs capteurs, vous pouvez désigner celui dont il faut tenir compte pour effectuer la classification en direct. Enfin, vous pouvez ajuster la longueur de l’échantillon (en millisecondes) et la fréquence d’échantillonnage pour améliorer les performances du modèle (voir figure 1). N’oubliez pas non plus que chaque bloc d’apprentissage a un seuil. Il peut s’agir de la confiance minimale requise par un réseau neuronal ou du score d’anomalie maximal avant qu’un échantillon ne soit marqué comme une anomalie. Vous pouvez configurer ces seuils pour ajuster la sensibilité des blocs d’apprentissage. Cela affecte à la fois la classification en direct et l’essai du modèle.

Une fois l’appareil cible connecté à l’ordinateur de développement dans Edge Impulse Studio, cliquez sur le bouton « Classification en direct » qui se trouve dans le coin supérieur droit de l’interface utilisateur. Lancez ensuite la diffusion des données depuis votre appareil. Le mode de diffusion dépendra de votre appareil et de votre carte de développement. Dès que votre appareil commence à diffuser des données, les résultats de la classification défilent en temps réel (figure 2). Les résultats s’affichent dans un tableau et sont également tracés sur un graphique. Ajustez les seuils de classification pour améliorer la précision. Les seuils de classification sont les valeurs qui déterminent le degré de confiance que vous accordez au modèle pour effectuer une classification. En ajustant ces seuils, vous améliorez également la précision de la classification.

Voici quelques conseils supplémentaires pour effectuer une classification en direct avec Edge Impulse :

• Vérifiez que votre appareil dispose d'une connexion Internet stable afin d’éviter tout problème de diffusion vers Edge Impulse.
• Utilisez un ensemble de données suffisamment grand pour entraîner votre modèle. Plus le volume de données est grand, plus le modèle sera capable de classer les nouvelles données.
• Utilisez des données variées pour entraîner votre modèle, vous l’aiderez ainsi à mieux généraliser avec de nouvelles données.
• Ajustez les hyperparamètres de votre modèle (c'est-à-dire les paramètres qui contrôlent le comportement du modèle). Le réglage de ces hyperparamètres peut améliorer la précision du modèle.

Conclusion

La classification en direct Edge Impulse est un outil puissant qui peut servir à valider vos modèles d’apprentissage automatique pour appareils embarqués et à en améliorer les performances. En diffusant les données de l’appareil en temps réel, Edge Impulse permet aux développeurs de voir les performances du modèle et d’effectuer les éventuels ajustements nécessaires afin de s’assurer que le modèle est prêt à être déployé et qu’il fonctionnera correctement en situation réelle. Dans le prochain épisode de notre série d’articles, nous nous pencherons sur la manière dont Edge Impulse prend en charge les procédures des opérations de développement (DevOps) modernes, mais aussi sur le contrôle de version et le déploiement sécurisé de modèles formés à partir du cloud vers les appareils périphériques.