Posted By Lin Felix on 9 月 4, 2022 in Edge AI, Edge AI開發地圖, Intel, OpenVINO, OpenVINO專欄, OpenVINO教學文, Teachable Machine, 教學文 | 2 comments

Intel OpenVINO 在今年（2022）迎來最大幅度的版本更新，除更便利開發者進行操作外，也對 API 進行優化，整題效能提升也支援 Dynamic Shape 和 Preprocessing 等（詳細改動項目可參閱 Jack 大撰寫的文章）。筆者在去年也寫過使用 Google Teachable Machine（下以 ”TM” 代稱）快速訓練模型並搭配 OpenVINO（當時版本為2021.4 LTS） 執行轉換與推論的文章。而於此時此刻若要用 OpenVINO 推論 Teachable Machine 模型又該如何呢？一起來了解看看吧！（註：筆者的開發環境為Ubuntu 20.04 + OpenVINO 2022.1，不同環境指令略有不同，但流程與操作原理都是相通的！）

STEP1: 訓練 Teachable Machine 模型

取得資料集 Dataset

為便利訓練模型，這次我們使用 TensorFlow flowers 這個小型資料集，總共有3670張影像。影像尺寸約在240x240上下，總體資料集大小為221MB，分類為以下五種類別：

• daisy (雛菊)
• dandelion (蒲公英)
• roses (玫瑰)
• sunflowers (向日葵)
• tulips (鬱金香)

在終端機使用以下指令來取得資料集，並且將其解壓縮（也可以將網址貼在瀏覽器即可自動進行下載、於視窗操作搬移與解壓縮）：

# 建立工作資料夾
mkdir ~/openvino_tm
cd ~/openvino_tm
# 取得 tf_flowers dataset 
wget https://storage.googleapis.com/download.tensorflow.org/example_images/flower_photos.tgz
# 解壓縮資料夾於當前目錄
tar zxvf flower_photos.tgz -C .

訓練模型Training Model

開啟瀏覽器到TM網站，選擇標準尺寸的影像分類專案，並且使用檔案新增資料的方式，將資料集內各分類的照片上傳。由於資料集檔案數量相當多，而 TM 的遷移學習模型也不需要太多的資料量，故筆者這裡選擇各分類的前 100 張照片上傳作為訓練資料，其餘的可做後續測試資料使用。

訓練 Teachable Machine 影像分類模型

依序上傳完成並將類別名稱修改為對應的花名，即可點選 “Train Model” 按鈕，約莫一分鐘的時間即可訓練完成，過程中也請避免切換瀏覽器分頁或是執行其他高耗能運算。

匯出模型 Export Model

訓練完成後到Preview階段，可以先隨機從資料集撈幾張照片丟進去測試，看是否能順利做出正確分類。須留意的是，如果照片大小並非正方形上傳後會被裁切，可能會造成影像特徵消失而失準。

確認了模型可用性後即點選 “Export Model” 按鈕，並選擇 TensorFlow 的 saved model 格式，由於 TM 使用的框架是 TensorFlow.js，這邊需要等待一段時間進行轉換。轉換完成後會自動下載一個名為 converted_savedmodel.zip 的壓縮檔，裡面就是標準 TensorFlow 2 的儲存格式了，下一步就是要將其轉換為 OpenVINO 推論所使用的 IR (Intermediate Representation) 檔。