【CAVEDU講堂】VIA Pixetto 結合Teachable Machine，不寫程式做出AI圖像辨識

Posted By CAVEDU 教育團隊 on 8 月 1, 2022 in Edge AI開發地圖, VIA Pixetto, 教學文 | 0 comments

作者/圖片來源：CAVEDU 教育團隊

最近筆者拿到VIA Pixetto視覺感測器(以下通稱Pixetto)，這個功能完整、1080P FULL HD 的AI鏡頭，除了本身可以辨識顏色、人臉、形狀及手寫辨識…..等等的視覺辨識，還可以搭配 Tensorflow Lite 框架來做更進一步的應用，如果透過 Grove 接頭或正確接線的話，當然也可以和Arduino 這種開發板來溝通。不管是第一次踏入機器學習的初學者，或想要做進階的視覺辨識專案的創作者，我認為Pixetto都顧及到了，可謂是面面俱到！

硬體正反面照片(規格表請按我)

圖片引用自 VIA 原廠規格表

既然Pixetto可以匯入Tensorflow Lite，筆者就想到我們最熟悉的好工具 — Google Teachable Machine 網頁，讓初學者無須編寫任何程式碼就能訓練出視覺辨識、聲音辨識與人體姿勢辨識的神經網路模型，並可以了解機器學習的架構的原理為何，也可以使初學者快速完成自己的專案喔！

筆者在實際把玩 Pixetto 的過程中，發現它可以匯入由 Google Teachable Machine 網頁所匯出的 Tensorflow lite (.tflite) 神經網路模型檔案，於是就寫了這篇教學文囉！以下操作分成三大部分，「安裝Pixetto軟體套件」、「Teachable machine網頁訓練模型」與「將Teachable machine網站的tflite檔匯入Pixetto視覺感測器工具」中。

安裝Pixetto軟體套件

在使用 Pixetto 這款 AI 鏡頭之前，需要有些前置作業，請按照以下步驟操作：

步驟1. 下載Pixetto軟體套件

請由 VIA 原廠下載相關軟體，點選本連結下載。

步驟2. 安裝Pixetto軟體套件

請依照預設設定安裝軟體完成，途中可能需要重新啟動電腦。

步驟3. 開啟 Pixetto Studio 介面

安裝完畢後，在桌面上會出現 Pixetto Startup 的 icon，點兩下滑鼠左鍵就會出現 Pixetto Studio 介面，此時先進行下一步硬體操作。

步驟4.將Pixetto透過USB2.0傳輸線連接至電腦

圖片引用自 VIA 原廠教學

步驟5. 初始化完成

Pixetto的綠色、藍色和紅色LED亮起，代表視覺感測器已經初始化完畢，可以使用了。別忘了把將鏡頭上蓋打開。

圖片引用自 VIA 原廠教學

步驟6. Pixetto 視覺感測器工具介面

回到步驟3，在Pixetto Studio介面中，按下Pixetto Utility，就會出現Pixetto 視覺感測器工具的介面，若有看見鏡頭畫面，便設定完成。請注意在此要先關閉程式，因為後續在 Google Teachable Machine 也會去抓 Pixetto 鏡頭畫面。需要先情關閉否則會看不到畫面。

以上步驟可以在Pixetto 網站找到詳細說明，按此連結下載。

使用 Google Teachable Machine 網頁訓練模型

雖然在Pixetto軟體套件已經可以自行辨識顏色、形狀、人臉….等等的功能，但如果要自定義某種特定類別的標籤已符合自己專案的話，還是需要透過撰寫Python程式，來匯入Pixetto軟體套件中，因此Teachable machine就可以針對初學者不需寫程式，也可以操作囉。

由於有關Teachable machine的細節操作，其他部落格已有很多的相關說明，有興趣的讀者請參考我們先前寫好的相關文章。本篇只是約略說明訓練模型的操作過程，以下分成幾個步驟講解:

步驟1.找到Pixetto的鏡頭名稱

使用 USB 傳輸線把 Pixetto 接上電腦之後，就可以在 Windows 電腦的裝置管理員中🡪相機，找到UVC Camera，這就是Pixetto的鏡頭名稱。

步驟2. 在Teachable machine網頁中，得到Pixetto鏡頭的畫面

在收集圖片資料的過程中，除了可以上網搜尋圖片之外，最快速的方法就是使用鏡頭拍照。在Google Teachable Machine網站中新增一個影像分類專案，點選Webcam，在下拉式選單中點選UVC Camera，就可以看到 Pixetto 鏡頭畫面。

(注意:需先將Pixetto視覺感測器工具的介面關閉，不然會占用資源而無法在Teachable machine網頁中使用)

步驟3. 收集圖片資料

本文收集了四種類別，分別是Keychain、LinkIt7697、Raspberry Pi 與 Other，以下展示這四個類別的步驟。

3-1 收集第一個類別Keychain圖片

將標籤改成Keychain後，按下Hold to Record即可拍照收集，以不超過50張為主，其它三個類別的張數也是一樣。

3-2 收集第二個類別LinkIt7697圖片

重複步驟3-1，或選用你想要辨識的物體。

3-3收集第三個類別Raspberry Pi圖片

重複步驟3-1，或選用你想要辨識的物體。

3-4收集第四個類別Other圖片

重複步驟3-1。第四個類別是屬於反指標，也就是辨識Keychain、LinkIt7697、Raspberry Pi類別以外的情形。

步驟4. 下載專案tm檔

Google Teachable Machine 的專案檔，副檔名是 tm。當讀者四種類別收集完資料後，若日後想再新增類別，可不必從頭再做一次，只需要按下Download project as file，即可將目前收集資料的進度保存至電腦；日後使用相同帳號，點選Open project from file 就能從上次進度繼續。