Dalam hal Teknik & Teknologi, pikirkan apa yang terjadi saat ini, pikirkan apa yang akan terjadi selanjutnya. Memindahkan AI dari cloud ke perangkat yang tertanam adalah masa depan AI berikutnya. Kenapa begitu?????
Memindahkan AI ke dalam sistem tertanam kecil dapat membawa AI ke tempat-tempat yang tidak memiliki akses sehingga meningkatkan penerapan sistem pemantauan jarak jauh secara real-time menggunakan AI dan ML.
Ada banyak aplikasi dan keuntungan menggunakan TinyML dan simak baik-baik bagaimana perangkat Tertanam memecahkan masalah di Pertanian menggunakan AI.
Jadi dalam postingan blog ini, saya akan berbagi bagaimana kami dapat memprediksi kesehatan tanaman menggunakan Jetson nano dari Nvidia dan kami menggunakan Edge Impulse untuk membangun pipeline dan penerapan AI.
Tentang Nvidia Jetson Nano 2gb
Jetson nano 2gb dari Nvidia berguna sebagai kit pengembang yang memiliki sistem AI yang kuat untuk mempermudah pekerjaan kami, selain itu komunitas pengembang sangat luas sehingga kami tidak perlu khawatir tentang dukungan. Lihat juga tautan di bawah untuk mengetahui lebih banyak tentang perangkat, penggunaan, dan spesifikasi.
Impuls Tepi
Edge Impulse adalah salah satu alat AutoML Tertanam terbaik untuk membangun aplikasi AI dan ML Tertanam, komunitasnya tersebar luas dan alat ini menawarkan sumber daya yang sangat baik untuk mengembangkan model ML Tertanam, dengan pengetahuan dasar sistem Tertanam, seseorang dapat menggunakan alat ini untuk menerapkannya. model. Di atas semua dokumentasi terstruktur dengan baik dan juga rangkaian kursus di Coursera yang dapat digunakan untuk mengetahui lebih banyak tentang Edge Impulse.
Pernyataan Masalah
Agri-tech adalah domain luas tempat orang dan perusahaan di seluruh dunia mencoba memecahkan masalah di bidang Pertanian menggunakan AI dan ML untuk mencegah kehilangan panen, menyederhanakan proses penanaman tanaman, dan memaksimalkan hasil panen. Mengingat hal ini, saya telah mengusulkan solusi untuk memantau kesehatan tanaman menggunakan TinyML yang memantau tanaman dan memprediksi kondisi kesehatan tanaman, dengan solusi ini petani tidak perlu menghabiskan waktu penting mereka untuk memeriksa lahan pertanian yang memerlukan mesin kecil yang tertanam. peduli memantau tanaman dan memberi tahu petani tentang status tanaman mereka.
Oke sekarang, ayo bergerak dan saya akan membagikan cara saya mengimplementasikan proyek ini selangkah demi selangkah
- Pengumpulan data
Pengumpulan data selalu merupakan proses penting dalam pembelajaran mesin, mengumpulkan data berharga yang bersih dan tidak memihak adalah landasan untuk membangun model yang kuat, untuk solusi ini saya mengumpulkan data dari Kaggle dan saya juga telah melampirkan tautan untuk kumpulan data tersebut. Kumpulan data ini memiliki kumpulan sampel spesies tumbuhan berbeda yang dapat digunakan untuk menggeneralisasi model dengan lebih baik.
https://www.kaggle.com/datasets/vipoooool/new-plant-diseases-dataset
Catatan: Kumpulan data Kaggle adalah kumpulan data berlabel multi-kelas, tetapi untuk proyek ini saya membuangnya sebagai kumpulan data kelas biner yang mengklasifikasikan sehat atau tidak sehat.
2.Menggunakan Edge Impulse untuk Mengimpor Data dan pemodelan Data
Seperti yang Anda lihat, ini adalah dasbor Edge impuls tempat kami dapat mengunggah data dari sistem lokal kami ke cloud Edge impuls. Jadi saya telah membuat direktori saya untuk 2 kelas (Sehat dan Tidak Sehat) dan saya membiarkan Edge impuls untuk mengurus pemisahan latihan & ujian.
Setelah data diunggah ke Edge Impulse, kita dapat mulai membangun model dasar pertama kita.
Di dasbor Desain Impuls, kita dapat memilih tipe data masukan, ukuran data gambar (karena kita berurusan dengan kumpulan data Gambar) dan kami memiliki akses untuk melakukan pra-proses kumpulan data kami misalnya, mengonversi ke skala abu-abu, augmentasi data, mengubah ukuran gambar untuk jaringan saraf dan banyak lagi.
Dan saya telah menggunakan pembelajaran transfer di mana saya menggunakan bobot model MobileNet V2 untuk pelatihan dengan kumpulan data khusus saya.
Hal terbaik tentang Edge Impulse adalah, kita dapat menggunakan mode pakar Keras dan kita dapat membuat atau menulis kode Tensorflow kita sendiri untuk membuat model. Hal ini memberikan fleksibilitas bagi para engineer ML untuk menyesuaikan beberapa parameter sebelum membuat model.
Setelah kita mahir menggunakan kode sumber, kita dapat memulai pelatihan, sekarang saatnya minum kopi atau tidur siang sebentar karena model tersebut memerlukan waktu untuk dilatih.
Setelah model dilatih, sekarang saatnya menguji model tersebut. Pada Gambar 4, Anda dapat melihat bahwa kita dapat menguji model menggunakan opsi pengujian model di Edge impuls dan kita dapat melihat bahwa akurasi pengujian adalah 97,42%.
Hore Anda telah berhasil membangun model ML pertama Anda dan sekarang kita akan beralih ke proyek bagian kedua kami yang menerapkan model terlatih di Nvidia Jetson Nano 2gb.
3. Menyiapkan Nvidia Jetson Nano 2gb
Kit pengembang Nvidia Jetson nano 2gb adalah yang saya gunakan untuk proyek ini, kit pengembang sangat ideal untuk proyek langsung di bidang AI dan robotika.
Satu hal utama yang harus dilakukan untuk menyiapkan Jetson nano adalah mem-flash firmware ke board menggunakan kartu sd, yang dapat dengan mudah dilakukan dengan serangkaian langkah yang disebutkan di portal pengembang Nvidia, di bawah ini saya telah menyediakan tautan yang memiliki urutan langkah-langkahnya. harus diikuti untuk menyiapkan nano Jetson
Setelah mem-flash image buruh pelabuhan ke kartu SD, Anda sekarang dapat menghubungkan Jetson nano ke monitor eksternal yang memiliki keyboard dan mouse untuk mode GUI.
Pada gambar 4, Anda dapat melihat layar Nvidia yang merupakan GUI untuk Jetson nano, sekarang Jetson bertindak sebagai komputer dan Anda dapat menjalankan model AI Anda di dalamnya.
Dalam proyek ini saya telah menggunakan modul kamera IMX untuk melakukan klasifikasi langsung, saya telah menyediakan link tentang cara mengatur modul kamera.
4. Menerapkan model terlatih dan klasifikasi langsung menggunakan Nvidia Jetson Nano 2GB
Jadi setelah menyiapkan nano Jetson, tugas kita selanjutnya adalah menerapkan model ke perangkat dan melakukan prediksi terhadapnya.
Sekarang saatnya menambahkan perangkat kita ke klasifikasi Edge Impulse for Live, sebelum itu pastikan kita menginstal edge impuls cli di Jetson nano kita, kita dapat melakukannya dengan menggunakan perintah 'edge-impulse-linux'.
Catatan: Pastikan Anda terhubung ke Internet untuk mengunduh CLI.
Setelah CLI diunduh, sekarang kita dapat menambahkan perangkat kita ke Edge Impulse.
Tautan ini memberi Anda petunjuk langkah demi langkah tentang cara menambahkan perangkat ke Edge impuls.
Setelah perangkat terhubung ke Edge, saatnya untuk menjalankan model pertama kami di edge
Jalankan perintah 'edge-impulse-linux-runner' dan atur detail proyek Anda untuk mulai memvalidasi model.
Tonton videonya untuk melihat prediksi langsung dengan contoh gambar.
Kesimpulan
Dunia teknologi bergerak maju pesat dengan perkembangan besar-besaran, membuat solusi teknologi lebih mudah, lebih murah, mudah diakses adalah apa yang dilakukan oleh solusi TinyML, dan Nvidia Jetson Nano 2GB telah menjadi alat yang hebat untuk mengembangkan banyak solusi AI Tertanam. Meski begitu, saya hanya memberikan gambaran tingkat tinggi tentang proyek ini dan bagaimana hal itu dapat dilakukan, jika ada pertanyaan terkait proyek tersebut, hubungi saya di [email protected] atau hubungi saya di LinkdIn.
Terima kasih sudah membaca…..
Salam
Vimalkumar Parthasarathy…
