作者：Felix
【Maker 玩 AI】系列專欄用深入淺出的方式，介紹 Maker 容易入門的 AI 軟硬體工具，並且以實際案例引領上手。有好用的 AI 軟硬體也歡迎留言討論喔！
M5Stack 這品牌除了生產諸多以 ESP32 為核心的開發板（如 CORE、Stick、ATOM等系列）外，也有製作不少感測模組與擴充周邊，齊全系列都附帶外殼給人精緻感的品牌印象外，價錢也並不貴，在全球 Maker 社群都有不少愛用者。
M5Stack 的各類主控板與模組展示
M5Stack UnitV2 AI Camera
在 M5Stack 的眾多感測器中，自然不乏 AI Camera 視覺感測模組，包含使用使用 K210 AI 晶片的 UnitV(編號U078-C) 、同為 K210 但增加 LCD 顯示螢幕的 StickV(編號K027)，以及目前最新使用 SigmaStar 晶片 SSD202D 的 UnitV2 (編號U078-D)。本篇要介紹的主要 UnitV2 可以說是唯一使用 SSD202D AI Camera 模組，甚至也是極少數可以載入使用者客製化 ”物件偵測” 模型的模組。
AI Camera 系列，由左至右依序為StickV UnitV, UnitV2
UnitV2 處理器 SSD202D 架構為雙核心 Cortex-A7 1.2GHz，內建帶有 128MB DDR 與 512 MB Flash，感測元件有麥克風及 GC2145 CMOS 攝影鏡頭等，並內建 Wi-Fi 網卡，同時出廠即內建多種功能與 AI 預訓練模型：
- Audio FFT 音訊快速傅立葉轉換
- Code Detector 二維條碼偵測
- Face Detector 人臉偵測
- Lane Line Tracker 路線追蹤
- Motion Tracker 運動追蹤
- Shape Matching 形狀比對
- Camera Stream 影像串流
- Online Classifier 線上分類器
- Color Tracker 顏色追蹤
- Face Recognition 人臉識別
- Target Tracker 目標追蹤
- Shape Detector 形狀偵測
- Object Recognition 物件偵測
出廠即內建人臉辨識、物件偵測等12種功能(圖片來源: M5Stack)
怎麼玩？
打開包裝盒內部除了 UnitV2 模組外，還有數個隨附配件，分別為樂高積木支架、三腳架轉接支架、16GB micro SD 卡以及一條 USB Type-A to Type-C 傳輸線，使用時建議可以搭配支架方便固定UnitV2。
UnitV2附帶兩種支架，可以安裝於腳架或是樂高積木
使用 Type C 傳輸線將 UnitV2 與電腦連接，初次使用需要安裝驅動程式，安裝完後可以在裝置管理員內的 ”網路介面卡” 找到名為 “Corechip SR9900 USB2.0 to Fast Ethernet Adapter” 的 USB 網路卡，即是與 UnitV2 的連接介面。
看到網路卡即代表可以和 UnitV2 進行通訊
於電腦端啟動瀏覽器(建議使用 Chrome)，於網址列輸入 ”unitv2.py” 或 “10.254.239.1”，即可進入到 UnitV2 的網頁 UI 。操作介面大致可分為四個區塊：
- AI模型選擇區－位於上半部，選擇主要功能或模型。
- 功能設定區－位於下半部左側，對不同功能或 AI模型可以進行細部設定。
- 即時預覽區－位於下半部中間，即時顯示攝影鏡頭影像與結果的框選。
- 輸出結果區－位於下半部右側，AI模型判讀後的輸出結果，以JSON格式呈現。
此時即可任意地去嘗試各種不同 AI 功能了！
內建AI模型
內建AI模型中有些是比較常見的如路線跟隨、人臉識別等，就先忽略不用，有興趣的夥伴可以自行嘗試，在此筆者會優先挑選比較特別的功能做測試。在 Online Classifier 線上分類器這個功能中，可以使用 UnitV2 網頁介面，動態的去訓練影像分類模型。在左下角的功能區塊中可以新增數個分類，並修改其名稱，接著可以依序勾選特定分類，並將該分類的物體放到鏡頭內的紅框區，點選”train”進行記錄，同時右側
- 點選 “reset” 按鈕，清除原有的模型。
- 點選 “add” 按鈕，增加數種分類，並可修改其名稱。
- 勾選類別前方的核取方塊，並將該類別物體把放於預覽區中間的綠框內。
- 點選 “train” 按鈕拍攝一張照片並訓練。
- 調整物體的角度與背景等，重複點選 “train” 按鈕新增更多資料。
- 依序完成所有分類的拍攝。（筆者抓取每個分類的影像約 15 張）
- 點選 “save&run” 記錄目前的訓練結果，同時開始運行影像分類器。
UnitV2 內建的線上分類器可以動態訓練模型。
完成之後可以擺放不同的物體，讓模型進行分類並觀察是否有符合預期。以筆者測試的結果，有些分類在特定角度會有分類錯誤的情況發生。不過這倒也還好，可以針對分類不理想的類別再重複點新增影像再次訓練，來提高模型的辨識度！這功能與筆者日前介紹過的 Teachable Machine 影像分類有些類似，而在 UnitV2 上可以一條龍的完成資料蒐集、訓練與佈署便利性又更好，差別只是沒辦法匯出再利用。
線上訓練即時訓練影像分類結果
和前面所介紹過的 AI 鏡頭模組 HuskyLens 或 PIXETTO 有所不同， UnitV2 是可以真正做到物件偵測(Object Detection) 的！內建 YOLO-Fastest 與 NanoDet 兩個模型，可以分別偵測 20 種與 80 種物件類別。筆者運行 NanoDet 模型並將鏡頭對準播放影片的螢幕進行推論測試，即便辨識的速度並不快，但辨識效果相當不錯，同時準確地偵測七～八個物件沒問題。若覺得內建這兩個模型不敷使用，還可以匯入自行訓練的模型。
NanoDet 物件偵測推論。
物件偵測與客製化模型
UnitV2 最強大的特點之一，就是可以使用 M5Stack 免費的線上模型訓練工具 V-training 進行客製化物件偵測模型的訓練，訓練完成後再下載到 UnitV2 上進行推論。要完成一個客製化模型只要簡單幾個步驟：
- 登入或註冊 M5Stack V-training 雲端訓練平台
- 拍攝物體的照片（可使用 UnitV2 的拍照功能）
- 將照片上傳到 M5Stack V-training
- 建立物件標籤
- 對所有物件進行標註
- 訓練模型
- 下載訓練好的模型上傳到 UnitV2 運行
上傳照片到 V-training 平台
拍攝照片可以自行使用 Webcam 或是 UnitV2 介面左上角的拍照功能進行拍攝，每種物體的照片數量自然是越多越好，但最少也要有 30 張以上，同時所有照片加總的容量大小不得超過 200MB ，以免平台無法負荷。在標記物件的過程是最花時間的，但若是常見的物件，可以點選 “Load AI Model” 讓 SSD 模型來協助前期標記，但都還是要逐一檢驗資料標記的正確性，這將會直接影響模型的訓練結果。
使用 V-training 線上工具進行物件標註
將所有照片標註完後點選下一步並確認後，即可自動地將資料上傳並且進行訓練，同時也會轉跳到 Training Task 列表，這頁面會列出過往所有的訓練歷程，並且也可以下載日前訓練的模型。約莫等待數分鐘模型即完成訓練，此時即可下載模型並且上傳到 UnitV2 上進行推論囉！從筆者的測試結果可以看出確實可以順利識別出筆者標記的物件，然而這整趟流程還不需要自行寫 code 呢！
客製化物件偵測模型運行結果
小結－佈署物件偵測模型的好幫手
M5Stack UnitV2 出廠即內建了多種便利好用的 AI 功能，除了讓使用者開箱即可用之外，對於進階的 Maker 還可以透過官方提供的雲端工具訓練客製化物件偵測模型，再回頭佈署在 UnitV2 也是非常容易的。這在目前市場上眾多 AI Camera 之中可以說幾乎無人能與之比肩。除此之外 UnitV2 甚至可以使用 Jupyter Notebook 開發程式做額外的影像處理，亦或連動控制周邊元件與攝影鏡頭等，可說是功能非常強大。在硬體配置除了固定鏡頭的規格(GC2145)外，也提供M12可換鏡頭版本(GC2053)，或是預留 USB Type A 外接 UVC Webcam 版本等多種選擇，適用於各類不同情境，對於 Maker 與玩家而言在客製化 AI 專案與整合上可說是一大福音！
（本篇文章經同意轉載自vMaker，原文連結；責任編輯：謝嘉洵。）
- 【Maker 玩 AI】Grove Vision AI 模組讓 Arduino 也能玩 YOLO 模型 - 2023/12/26
- 【Maker 玩 AI】Edge Impulse 搭配 XIAO ESP32-S3 實作影像分類專題 - 2023/12/04
- 【Maker 玩 AI】用 Roboflow + Ultralytics HUB 訓練與管理 YOLO 模型 - 2023/11/01
