Hands-On Machine Learning mit reTerminal: Edge Impulse & ARM NN Demo Guide

8 GB RAM, 32 GB eMMC Raspberry Pi CM Entwicklungsboard mit 5-Zoll Touchscreen und Fülle an Interfaces.

Story

Vorherige Posts erkundeten TinyML auf Wio Terminal, einem Cortex-M4F Board mit rugged LCD. Seeed Studio hat das Konzept nun mit dem reTerminal erweitert – ein Raspberry Pi 4 Compute Module-basiertes Board mit integriertem Display.

Ich packte den reTerminal aus, zeichnete kurzes Demo-Video auf und schreibe diesen Begleitartikel für Environment-Setup und Machine-Learning-Demos.

Spezifikationen

Der reTerminal wird von Raspberry Pi Compute Module 4 angetrieben mit Quad-Core Cortex-A72 CPU @ 1,5 GHz, 4 GB RAM und 32 GB eMMC Speicher. Diese Specs liefern schnelle Boot-Zeiten und responsives UX. Sein 5-Zoll IPS kapazitiver Touch-Display bietet 1280 × 720 Auflösung, während eingebaute Peripherie Beschleunigungssensor, Echtzeituhr, Summer, vier taktile Buttons, vier Status-LEDs und Lichtsensor umfasst. Konnektivität: Dual-Band 2,4 GHz/5 GHz Wi-Fi, Bluetooth 5.0 BLE, Gigabit Ethernet Port.

Strombedarf spiegelt Raspberry Pi 4 wider: Standard 5 V/2 A Adapter reicht, Hersteller empfiehlt 5 V/4 A für maximale Stabilität, besonders bei zusätzlichen Peripherie. In unseren Demos funktionierte 5 V/2 A zuverlässig, doch wir raten zur Vorsicht mit 5 V/4 A Unit.

Board kommt mit 32-bit Raspbian OS vorinstalliert mit allen nötigen Treibern. Für ML-Workloads bietet 64-bit Raspbian Image – ebenfalls von Seeed Studio geliefert – merklichen Performance-Boost.

Touchscreen On-Screen-Keyboard erscheint automatisch bei Texteingabe und kann in Settings deaktiviert werden. Obwohl Raspbian kein mobile-optimiertes OS ist, ist Interface für größere UI-Elemente nutzbar. Für touch-freundlicheres Erlebnis experimentelle OS-Optionen wie Ubuntu Touch erkunden.

Starten einer Sample QT Applikation demonstriert Board-Fähigkeit, Sensordaten anzuzeigen und Interfaces zu steuern. Mit angemessen großen Touch-Targets beweist 5-Zoll Screen hohe Responsivität.

Edge Impulse Objekterkennung

Edge Impulses neue Linux Deployment Support lässt Sie Modelle direkt auf reTerminal trainieren und ausführen. Bilder mit angeschlossener Kamera aufnehmen, Modell in Cloud trainieren, lokal mit edge-impulse-linux-runner deployen.

Installation unkompliziert:

curl -sL https://deb.nodesource.com/setup_12.x | sudo bash -
sudo apt install -y gcc g++ make build-essential nodejs sox gstreamer1.0-tools gstreamer1.0-plugins-good gstreamer1.0-plugins-base gstreamer1.0-plugins-base-apps
npm config set user root && sudo npm install edge-impulse-linux -g --unsafe-perm

Nach Edge Impulse CLI Installation Kamera anschließen – z. B. USB Webcam. Bevorzugen Sie Raspberry Pi Kamera Modul, via raspi-config aktivieren.

Vor Datensammlung sicherstellen, dass Projekt's Dashboard > Project info > Labeling method auf Bounding boxes (object detection) gesetzt ist. Mindestens 100 Bilder pro Klasse aufnehmen. Rohbilder hochladen möglich, Annotationen müssen manuell im Data Acquisition Tab erfolgen.

Nach Sammeln und Labeln Datensatz Impulse erstellen durch Auswahl Image Processing Block und Object Detection (Images) Learning Block. Da bescheidener Datensatz kein großes Netzwerk from scratch trainieren kann, fine-tunen wir vortrainiertes MobileNetV2-SSD Backbone. Default-Werte für Epochen, Learning Rate, Confidence Threshold genügen generell; Detection Pipeline nicht in Expert Mode exposed, Parameter bleiben fix.

Training läuft auf CPU und dauert je nach Datensatzgröße. Getränk Ihrer Wahl empfohlen.

Nach Training edge-impulse-linux-runner starten zum Modell-Download und Live-Inferenz:

edge-impulse-linux-runner

Runner bereitet Modell automatisch vor und streamt Results zu Browser. Im Terminal sehen Sie Zeile ähnlich:

Want to see a feed of the camera and live classification in your browser? Go to https://192.168.1.19:4912

Link klicken für Live-Kamera-Feed und Inferenz-Output. MobileNetV2-SSD Backbone liefert ca. 2 FPS (~400 ms pro Frame). Da Inferenz nicht auf jedem Frame läuft, können Bounding Boxes kurz nach Verschwinden eines Objekts persistieren.

Edge Impulse Linux Support noch in Entwicklung, erwarten Sie kontinuierliche Performance-Verbesserungen und smoothere Data-Upload-Workflows in naher Zukunft.

ARM NN Beschleunigte Inferenz

Obwohl Raspberry Pi 4 keinen dedizierten ML-Accelerator hat, können Sie Echtzeit-Inferenz-Raten übertreffen durch:

• Leichtgewichtigen Inferenz-Modus wählen.
• Alle vier CPU-Kerne und ARM NEON SIMD Extensions für parallele Verarbeitung nutzen.

ARM NN Runtime, optimiert für NEON, boostet Performance weiter durch Kompilierung des Modells in hocheffiziente Kernels.

Quelle: reTerminal Machine Learning Demos (Edge Impulse and Arm NN)