導讀

2023年以ChatGPT為代表的大語言模型橫空出世，它的出現(xiàn)標志著自然語言處理領域取得了重大突破。它在文本生成、對話系統(tǒng)和語言理解等方面展現(xiàn)出了強大的能力，為人工智能技術(shù)的發(fā)展開辟了新的可能性。同時，人工智能技術(shù)正在進入各種應用領域，在智慧城市、智能制造、智慧醫(yī)療、智慧農(nóng)業(yè)等領域發(fā)揮著重要作用。

柴火創(chuàng)客2024年將依托母公司Seeed矽遞科技在人工智能領域的創(chuàng)新硬件，與全球創(chuàng)客愛好者共建“模型倉”，通過“SenseCraft AI”平臺可以讓使用者快速部署應用體驗人工智能技術(shù)！

本期介紹：

模型評估（Evaluation）

深度學習廣泛應用于圖像識別、語音識別、自然語言處理等多個領域。模型通過大量數(shù)據(jù)的學習和訓練，能夠自動提取數(shù)據(jù)中的特征，并基于這些特征進行預測和分類。如何準確評估這些模型的性能，確保它們在實際應用中能夠表現(xiàn)出色，就需要依賴于模型評估這一關鍵環(huán)節(jié)。

模型評估

模型評估（Evaluation）是指對訓練完成的模型進行性能分析和測試的過程，以確定模型在新數(shù)據(jù)上的表現(xiàn)如何。

在模型評估中，通常會將數(shù)據(jù)集劃分為訓練集、驗證集和測試集。

訓練集（Training Set）：用于模型學習的數(shù)據(jù)集，通過不斷調(diào)整參數(shù)來最小化訓練誤差。

驗證集（Validation Set）：在訓練過程中用于評估模型性能，以選擇最佳參數(shù)和避免過擬合的數(shù)據(jù)集。

測試集（Test Set）：模型訓練完成后，用于評估模型泛化能力的獨立數(shù)據(jù)集。

為什么需要模型評估？

衡量模型性能:通過評估模型在測試集或驗證集上的性能指標,如準確率、召回率、F1得分等,可以了解模型的預測能力和泛化能力,判斷模型是否滿足預期需求。

比較不同模型:模型評估可以幫助我們比較不同算法或超參數(shù)配置下訓練的模型,選擇最優(yōu)的模型進行部署。

診斷模型問題:評估結(jié)果可以幫助我們識別模型存在的問題,如過擬合、欠擬合、類別不平衡等,從而針對性地優(yōu)化模型。

監(jiān)控模型性能:在模型投入實際使用后,持續(xù)的模型評估可以檢測模型性能是否發(fā)生變化,及時發(fā)現(xiàn)并解決問題。

模型選擇:在有多個可選模型的情況下,評估結(jié)果可以為最終選擇最優(yōu)模型提供依據(jù)。

評估指標

模型評估指標是用于量化模型在處理數(shù)據(jù)時表現(xiàn)的指標。它們幫助我們理解模型的性能、準確度和泛化能力，并且可以用于比較不同模型之間的優(yōu)劣。

分類任務的評估指標包括準確率（Accuracy）、精確率（Precision）、召回率（Recall）和F1分數(shù)（F1 Score）等。

準確率（Accuracy）

定義：準確率是最直觀也最常被提及的評估指標之一，它衡量的是模型預測正確的樣本數(shù)占總樣本數(shù)的比例。

計算公式：準確率 = (真正例 + 真負例) / (真正例 + 假正例 + 真負例 + 假負例)

精確率（Precision）

定義：精確率是指模型預測為正例中真正是正例的比例，它反映了模型預測為正例的結(jié)果的可信度。

計算公式：精確率 = 真正例 / (真正例 + 假正例)

召回率（Recall）

定義：召回率，也稱為靈敏度（Sensitivity）或真正例率（True Positive Rate），是指模型在所有實際為正類的樣本中，被正確預測為正類的樣本的比例。它反映了模型捕獲正類樣本的能力。

計算公式：召回率 = 真正例 / (真正例 + 假負例)

F1分數(shù)（F1 Score）

定義：F1分數(shù)是精確率和召回率的調(diào)和平均數(shù)，旨在綜合兩者的表現(xiàn)，提供一個平衡指標。

計算公式：F1分數(shù) = 2 * (精確率 * 召回率) / (精確率 + 召回率)

綿羊檢測模型

該 AI 模型利用先進的 Swift yolo 算法，專注于綿羊識別，可以在實時視頻流中準確檢測和標記綿羊。它特別適用于 Seeed Studio Grove Vision AI （V2） 設備，提供高兼容性和穩(wěn)定性。

應用場景

智慧牧場管理

- 數(shù)量統(tǒng)計：對牧場綿羊數(shù)量進行精準統(tǒng)計，避免人工遺漏或計算錯誤。

- 行為監(jiān)測：監(jiān)控綿羊的行為和活動軌跡，發(fā)現(xiàn)異常行為（比如長時間靜止、生病狀態(tài)等）。

- 位置追蹤：實時定位綿羊位置，防止走失或逃逸，幫助大規(guī)模放牧管理。

- 疾病檢測：結(jié)合圖像或行為數(shù)據(jù)，識別生病或受傷的綿羊，及時進行干預。

生態(tài)保護與自然監(jiān)測

- 野生種群保護：監(jiān)測野生綿羊種群的分布及數(shù)量變化，為生態(tài)保護提供科學數(shù)據(jù)。

- 生態(tài)影響評估：統(tǒng)計綿羊活動對草場和生態(tài)環(huán)境的影響，優(yōu)化自然資源管理。

- 物種遷徙監(jiān)測：追蹤野生綿羊的遷徙行為，研究群體生態(tài)模式。

草場資源管理

- 載畜量評估：通過檢測綿羊數(shù)量和分布，分析草場的資源承載能力。

- 牧草分布規(guī)劃：將綿羊檢測與草場狀況結(jié)合，優(yōu)化放牧路線和資源利用，防止草地退化。

在Grove-VisionAIV2模塊上部署此模型

1、打開SenseCraft AI平臺，如果第一次使用請先注冊一個會員賬號，還可以設置語言為中文。

平臺地址：https://sensecraft.seeed.cc/ai/#/model

2、在頂部單擊【預訓練模型】菜單，在公共AI模型列表7中找到【綿羊檢測】模型，單擊此模型圖片，如下圖所示。

3、進入【綿羊檢測】模型介紹頁面，單擊右側(cè)的“部署模型”按鈕，如下圖所示。

4、進入部署綿羊檢測模型頁面，按提示步驟先連接攝像頭，再連接設備到電腦USB接口上，最后單擊【連接設備】按鈕，如下圖所示。

5、彈出部署模型窗口，單擊“確定”按鈕，如下圖所示。

6、彈出連接到串行端口窗口，選擇端口號后單擊“連接”按鈕，如下圖所示。

7、開始進行模型部署、固件下載、設備重啟等過程，完成后在預覽中即可看到當前攝像頭視頻內(nèi)容，將攝像頭對準綿羊的圖片查看預測效果，如下圖所示。

預測效果視頻演示

Grove Al視覺模塊 V2套裝介紹

Grove Al視覺模塊 V2

OV5647-62攝像頭

Grove - Vision Al Module V2是一款拇指大小的人工智能視覺模塊, 配備Himax WiseEye2 HX6538處理器, 該處理器采用 ArmCortex-M55雙核架構(gòu)。

它具有標準的CSI接口, 并與樹莓派相機兼容。它有一個內(nèi)置的數(shù)字麥克風和SD卡插槽。它非常適用于各種嵌入式視覺項目。

有了SenseCraft Al算法平臺, 經(jīng)過訓練的ML模型可以部署到傳感器, 而不需要編碼。它兼容XIAO系列和Arduino生態(tài)系統(tǒng), 是各種物體檢測應用的理想選擇。

Arm Ethos-U55 嵌入式神經(jīng)網(wǎng)絡處理器（NPU）

嵌入式神經(jīng)網(wǎng)絡處理器（NPU）是一種特別設計用于執(zhí)行神經(jīng)網(wǎng)絡計算的高效率處理器。它主要基于數(shù)據(jù)驅(qū)動并行計算架構(gòu)，特別擅長處理視頻、圖像等大量的多媒體數(shù)據(jù)。NPU模仿了生物神經(jīng)網(wǎng)絡的架構(gòu)，與CPU、GPU相比，它能夠通過更少的指令（一條或幾條）完成神經(jīng)元的處理，因此在深度學習的處理效率方面具有明顯優(yōu)勢。

它具有標準的CSI接口, 并與樹莓派相機兼容。它有一個內(nèi)置的數(shù)字麥克風和SD卡插槽。它非常適用于各種嵌入式視覺項目。

有了SenseCraft Al算法平臺, 經(jīng)過訓練的ML模型可以部署到傳感器, 而不需要編碼。它兼容XIAO系列和Arduino生態(tài)系統(tǒng), 是各種物體檢測應用的理想選擇。

主要硬件配置

- 板卡基于WiseEye2 HX6538處理器, 采用雙核ARM Cortex-M55架構(gòu) 。

- 配備集成Arm Ethos-U55微神經(jīng)網(wǎng)絡加速單元, 兼容的樹莓派相機

- 板載PDM麥克風, SD卡插槽, Type-C, Grove接口, 豐富的外設支持樣機開發(fā) 。

- Seeed Studio XIAO的可擴展性, SenseCraft Al的現(xiàn)成AI模型用于無代碼部署。

- 支持各種有效的模型, 包括MobilenetV1、MobilenetV2、 Eficientnet-Lite、Yolov5和Yolov8。

寫在最后

SenseCraft-AI平臺的模型倉數(shù)量還很少，但是好消息是它支持自定義模型上傳并輸出推理結(jié)果，平臺會逐漸增加模型倉的數(shù)量和分享有愛好者設計的模型倉原型，敬請關注！