Machine Learning Práctico con reTerminal: Guía de Demos Edge Impulse y ARM NN

8 GB RAM, 32 GB eMMC – Placa de desarrollo Raspberry Pi CM con pantalla táctil de 5 pulgadas y gran cantidad de interfaces.

Historia

Posts previos exploraron TinyML en la Wio Terminal, una placa Cortex-M4F con LCD robusto. Seeed Studio ha expandido ahora el concepto con el reTerminal – una placa basada en Raspberry Pi 4 Compute Module con display integrado.

Desempaqueté el reTerminal, grabé un video demo breve, y escribo este artículo complementario para guiarte a través de la configuración del entorno y demostraciones de machine learning.

Especificaciones

El reTerminal está impulsado por un Raspberry Pi Compute Module 4 con CPU quad-core Cortex-A72 a 1,5 GHz, 4 GB de RAM y 32 GB de almacenamiento eMMC. Estas especificaciones ofrecen arranques rápidos y experiencia de usuario responsiva. Su display táctil capacitivo IPS de 5 pulgadas ofrece resolución 1280 × 720, mientras que los periféricos integrados incluyen acelerómetro, reloj en tiempo real, zumbador, cuatro botones táctiles, cuatro LEDs de estado y un sensor de luz. Opciones de conectividad comprenden Wi-Fi de doble banda 2,4 GHz/5 GHz, Bluetooth 5.0 BLE y puerto Ethernet Gigabit.

Los requisitos de alimentación reflejan los de una Raspberry Pi 4: un adaptador estándar 5V/2A es suficiente, pero el fabricante recomienda una fuente 5V/4A para máxima estabilidad, especialmente cuando se conectan periféricos adicionales. En nuestras demos, el adaptador 5V/2A funcionó de forma fiable, aun así aconsejamos pecar de precavidos con una unidad 5V/4A.

La placa viene con un SO Raspbian de 32 bits pre-cargado con todos los drivers necesarios. Para cargas de trabajo de machine learning, una imagen Raspbian de 64 bits –también suministrada por Seeed Studio– ofrece un notable impulso de rendimiento.

El teclado en pantalla del touchscreen aparece automáticamente cuando se requiere entrada de texto y puede desactivarse en ajustes. Aunque Raspbian no es un SO optimizado para móvil, la interfaz es usable para elementos UI grandes. Para una experiencia más touch-friendly, considera explorar opciones de SO experimentales como Ubuntu Touch.

Lanzar una aplicación QT de ejemplo demuestra la capacidad de la placa para mostrar datos de sensores e interfaces de control. Con targets táctiles apropiadamente dimensionados, la pantalla de 5 pulgadas resulta muy responsiva.

Detección de Objetos con Edge Impulse

El nuevo soporte de despliegue Linux de Edge Impulse te permite entrenar y ejecutar modelos directamente en el reTerminal. Captura imágenes con una cámara conectada, entrena el modelo en la nube, y despliégalo localmente con edge-impulse-linux-runner.

La instalación es sencilla:

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

Una vez instalado el CLI de Edge Impulse, conecta una cámara –por ejemplo, una webcam USB. Si prefieres el módulo de cámara Raspberry Pi, habilítalo vía raspi-config.

Antes de la recolección de datos, asegúrate que en el Dashboard > Project info > Labeling method del proyecto está configurado en Bounding boxes (object detection). Captura al menos 100 imágenes por clase. Aunque puedes subir imágenes sin anotar, las anotaciones deben realizarse manualmente en la pestaña Data Acquisition.

Tras recopilar y etiquetar tu dataset, crea un Impulse seleccionando el bloque de procesamiento Image y el bloque de aprendizaje Object Detection (Images). Como un dataset modesto no puede entrenar una red grande desde cero, afinamos un backbone MobileNetV2-SSD pre-entrenado. Los valores por defecto para epochs, learning rate y confidence threshold generalmente son suficientes; el pipeline de detección no se expone en modo Experto, así que estos parámetros permanecen fijos.

El entrenamiento corre en CPU y puede tardar un tiempo, según el tamaño del dataset. Durante este tiempo, se recomienda una bebida de tu elección.

Cuando el entrenamiento completa, lanza edge-impulse-linux-runner para descargar el modelo e iniciar inferencia en vivo:

edge-impulse-linux-runner

El runner prepara automáticamente el modelo y transmite resultados a un navegador. En la terminal, verás una línea similar a:

¿Quieres ver un feed de la cámara y clasificación en vivo en tu navegador? Ve a https://192.168.1.19:4912

Haz clic en el enlace para ver el feed de cámara en vivo y la salida de inferencia. El backbone MobileNetV2-SSD entrega aproximadamente 2 FPS (~400 ms por frame). Como la inferencia no se realiza en cada frame, los bounding boxes pueden persistir brevemente tras desaparecer un objeto.

El soporte Linux de Edge Impulse aún está evolucionando, así que espera mejoras continuas de rendimiento y flujos de subida de datos más fluidos en el futuro próximo.

Inferencia Acelerada con ARM NN

Aunque la Raspberry Pi 4 carece de un acelerador ML dedicado, puedes superar tasas de inferencia en tiempo real mediante:

• Elegir un modo de inferencia ligero.
• Utilizar los cuatro núcleos de CPU y las extensiones SIMD ARM NEON para procesamiento paralelo.

El runtime ARM NN, optimizado para NEON, impulsa aún más el rendimiento compilando el modelo en kernels altamente eficientes.

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