[Toy]OOTD tracker(1)バックグラウンド

事前に理解した知識と過程

Tensorflow Lite

EdgeTPU? https://cloud.google.com/edge-tpu?hl=ko
デルのASICは、

ページで推論を実行するために設計されています.(ASICと呼ばれるオンデマンド半導体)

.

Coral Device https://coral.ai/

ラズベリー派はEdgetPUを識別するために必要です.そこで別販売のUSBアクセルを購入.

購入

公式サイトで紹介されている機器は大きく2種類あります.

Coral Dev Board(129.99ドル)とCoral USBアクセラレータ(59.99ドル)です.

を探して直接販売していないことを発見したので、AmazonやAliなどの代理店で販売し、公式サイトよりずっと高いです.

ですが、ちょうどgravitylinkで公式サイトと同じ価格で販売されているので、いつ再び値上げされるか分からないので購入します.しかも今購入しても3週間後に来るので、早めに行いました.

は黒牛になるのか...ほほほ(270ドル...)
1個

Coral Dev Board(129.99ドル).

2台の

Coral USBアクセラレータ(59.99ドル)

を購入した理由は、念のため購入したからです.

配送料20ドルです.

は合計270.13ドルを決済した.

韓国のマッカソリューションでは、スケートボードが22万ウォンで販売されている.15万元が7万元上昇した.配送も早かったのですが、結局そのまま購入.

配送まで約3週間の予定です.

装置仕様

Dev Board

のベリーパイに似ています.しかし、価格も2倍以上高く、中には大きなヒートシンクとペンがあります.つまり、間接的に発熱がひどく見える.あるいは発熱の仕事をします.

サイズは85ミリx 56ミリです.

#베이스보드 스펙

- Edge TPU System-on-Module (SoM)
	- NXP i.MX 8M SoC (Quad-core Arm Cortex-A53, plus Cortex-M4F)
	- Google Edge TPU ML accelerator coprocessor
	- Cryptographic coprocessor
	- Wi-Fi 2x2 MIMO (802.11b/g/n/ac 2.4/5 GHz)
	- Bluetooth 4.2
	- 8 GB eMMC
	- 1 or 4 GB LPDDR4
	
- 플래시 메모리 : MicroSD 슬롯 (카드 미포함)
- USB 인터페이스 : Type-C 전원 입력,  Type-C OTG, Type-A 3.0, Micro-B 시리얼 콘솔 포트(CP2102 드라이버)
- 유선 인터넷 : 기가비트 이더넷 포트
- 오디오 : 3.5mm 오디오 잭 (CTIA 호환), Digital PDM microphone (x2), 2.54mm 4-pin 스테레오 스피커 터미널 단자
- 모니터 출력 : HDMI 2.0a (풀 사이즈), 39핀 MIPI-DSI-디스플레이 FFC 커넥터, 24핀 MIPI-CSI2 카메라 FFC커넥터
- GPIO : 3.3V 전원 출력, 40 ~ 255옴 프로그래밍으로 제어할 수 있는 임피던스, 최대 전류 ~82 mA
- 전원 : 5V DC (USB Type-C), 2.5~3A (관련상품 바로가기)

#운영체제
- Mendel Linux (개발보드에 기본적으로 설치되지 않은 상태 입니다)
- 보드에 운영체제는 윈도우로도 설치 가능하지만 리눅스, 맥을 이용하여 설치하는 것을 권장해 드립니다.

データテーブル(PDF)

https://coral.ai/docs/dev-board/datasheet/

入門ガイド(https://coral.ai/docs/dev-board/get-started/)

はMendel Linuxに基づく.

メンデルLinux.Coralのようなマイクロ機器を開発するために作られた軽量なDevian Linux.

版の韓国版では、ありがたいことにG.CAmpが10の講座を無料で提供した.残念ながら、これはWindowsバージョンなので参考にすべきです.https://gcamp.tistory.com/search/Coral

USB Acclerator

ゴマの粒のように韓国を支援する.god google

Dev Board以外のデバイスにインストールすると、内蔵のTPUプロセッサでTPUを使用できます.

プロセス

Teachable Machineで分類モデルを作成(=学習)

の恋西山の衣装を着て、いろんな角度から撮影.(学習データ)

ビットの撮影写真でモデルを生成します.

他に購入した服も撮影...N個です.

その後、ショッピングモールにアップロードされた写真をモデルに入力し、どの服のモデルが区別されているかを検証します.

で作成したモデルをTensorflow Lite

にエクスポート

で導出したモデルのCoralを適用する.(ラスベガスパイ+USBアクセル)

が正常に動作しているかどうかを確認します.

社内の全身鏡に取り付け、社員に同意を求めてからもう一度試します.
いろいろ考えなければならないかもしれません.

0000で購入した服はないと言うべきです.

0000で購入していないのに、登録されている服に似た服が降格されたら…?

ユーザーによって区別する必要があります.

古い考えに従って、新しいデータが入るたびに勉強しなければなりません.
PC上で大量の画像データから生成されるモデルを用いると,頻繁に更新することは困難であるが,実際には継続的な更新が必要である.
今のレベルでは、「この服を着ていますか?」あなたが着ている服はワンピースです
私が欲しいのは今着ている服が何百枚もあることです.数千枚の服の中.特定のコーディネートが欲しい.

もちろんこれは難しい...数百.数千ではなく顧客によって制限すれば、最大100以下のレベルに達することができる.

は毎日鏡の前で今日着た字形の服を記録しています.
記録

の場合、今着ている服が正しいかどうかをもう一度チェックしたほうがいいです.

モデルは「今着ている服はAのようですね」と話しています.

正解でよかった違うと言えば次の勉強の時に反映されます

解決すべき問題

クラスごとに学ぶデータの量はいくらですか?

30枚くらいです.あまりやっていないと、勉強が失敗して、やりすぎても、ある程度は意味がありません.

学習するデータをデータベースに保存するのは、重すぎると難しいです.

写真1枚あたり1 MB、つまり30 MBです.データ量も無視できない.