reTerminalでハンズオン機械学習：Edge Impulse & ARM NNデモガイド

8GB RAM、32GB eMMCを搭載したRaspberry Pi CMベースの開発ボード、5インチタッチスクリーンと豊富なインターフェースを備えるreTerminal。

ストーリー

以前の投稿では、堅牢なLCDを備えたCortex-M4Fボード「Wio Terminal」でのTinyMLを探求しました。Seeed Studioは今、reTerminalで概念を拡張しました。これはRaspberry Pi 4 Compute Moduleベースのボードで、統合ディスプレイを備えています。

reTerminalをアンボックスし、簡単なデモ動画を録画し、この記事で環境セットアップと機械学習デモをウォークスルーします。

仕様

reTerminalは、クアッドコアCortex-A72 CPU（1.5GHz）、4GB RAM、32GB eMMCストレージを備えたRaspberry Pi Compute Module 4で駆動されます。これらのスペックにより、高速な起動とレスポンスの良いユーザー体験を実現。5インチIPS静電容量式タッチディスプレイは1280×720解像度を提供し、内蔵ペリフェラルとして加速度計、リアルタイムクロック、ブザー、4つのタクトボタン、4つのステータスLED、光センサーを搭載。接続性はデュアルバンド2.4GHz/5GHz Wi-Fi、Bluetooth 5.0 BLE、ギガビットEthernetポートを備えます。

電源要件はRaspberry Pi 4と同様：標準的な5V/2Aアダプターで十分ですが、メーカーは最大安定性のため、特に追加ペリフェラル接続時は5V/4A電源を推奨。デモでは5V/2Aアダプターでも確実に動作しましたが、安全側に倒して5V/4Aユニットを推奨します。

ボードには必要なドライバーすべてを含む32ビットRaspbian OSがプリロードされています。機械学習ワークロードでは、Seeed Studio提供の64ビットRaspbianイメージを使用すると、顕著なパフォーマンス向上が得られます。

タッチスクリーンのオンスクリーンキーボードはテキスト入力時に自動表示され、設定で無効化可能。Raspbianはモバイル最適化OSではないものの、大きめのUI要素であれば使い勝手は良好です。よりタッチフレンドリーな体験を求めるなら、Ubuntu Touchなどの実験的OSオプションを検討してください。

サンプルQTアプリケーションの起動で、ボードのセンサーデータ表示と制御インターフェース能力をデモ。適切なサイズのタッチターゲットで、5インチ画面は非常にレスポンシブです。

Edge Impulseによる物体検出

Edge Impulseの新しいLinuxデプロイメントサポートにより、reTerminal上で直接モデルの訓練と実行が可能になりました。カメラで画像を取得し、クラウドでモデルを訓練し、edge-impulse-linux-runnerでローカルにデプロイします。

インストールは簡単：

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

Edge Impulse CLIインストール後、カメラを接続（例：USBウェブカム）。Raspberry Piカメラモジュールを使う場合はraspi-configで有効化。

データ収集前に、プロジェクトのDashboard > Project info > Labeling methodがBounding boxes (object detection)に設定されていることを確認。クラスごとに最低100枚の画像を取得。生画像のアップロードは可能ですが、アノテーションはData Acquisitionタブで手動で行う必要があります。

データセット収集・ラベリング後、Image処理ブロックとObject Detection (Images)学習ブロックを選択してImpulseを作成。小規模データセットでは大規模ネットワークをゼロから訓練できないため、事前訓練済みMobileNetV2-SSDバックボーンをファインチューニングします。エポック数、学習率、信頼度閾値のデフォルト値で概ね十分；検出パイプラインはExpertモードで公開されていないため、これらのパラメータは固定です。

訓練はCPUで実行され、データセットサイズによっては時間がかかります。この時間、お好みの飲み物を楽しむのがおすすめです。

訓練完了後、edge-impulse-linux-runnerを起動してモデルをダウンロードし、ライブ推論を開始：

edge-impulse-linux-runner

ランナーは自動的にモデルを準備し、結果をブラウザにストリーミングします。ターミナルに以下のような行が表示されます：

カメラフィードとライブ分類をブラウザで見たい場合は https://192.168.1.19:4912 へアクセス

リンクをクリックしてライブカメラフィードと推論出力を確認。MobileNetV2-SSDバックボーンで約2FPS（フレームあたり約400ms）を実現。推論は毎フレーム実行されないため、物体が消えた後もバウンディングボックスが一時的に残ることがあります。

Edge ImpulseのLinuxサポートはまだ進化中で、今後さらなるパフォーマンス改善とスムーズなデータアップロードワークフローが期待されます。

ARM NNによる高速化推論

Raspberry Pi 4には専用MLアクセラレーターがありませんが、以下の方法でリアルタイム推論レートを超えることができます：

• 軽量な推論モードを選択。
• 4つのCPUコアとARM NEON SIMD拡張を活用して並列処理。

NEONに最適化されたARM NNランタイムは、モデルを高効率カーネルにコンパイルすることでパフォーマンスをさらに向上させます。

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