大家在很多地方都可以看到嵌入式AI的概念，但是到实际的上手和开发过程中，不完善的工具链和复杂的开发流程都是嵌入式工程师或者AI算法工程师很大的阻碍。
而基于STM32H7的OpenMV机器视觉模组和云端AI平台EdgeImpulse合作，就很好的打通了从数据收集、打标，NN模型训练、优化到部署的整个流程。
去年4月份我们的新品OpenMV4H7Plus上市啦，今天我来给大家介绍一下OpenMV4H7Plus的新功能——利用EdgeImpulse在线网站自行训练神经网络进行分类识别。
在本教程中，你将使用机器学习来构建一个识别系统，该系统可通过OpenMV4H7Plus智能摄像头识别人脸是否佩戴口罩，即实现影像分类。
EdgeImpulse是一个为嵌入式设备提供在线训练神经网络模型服务的网站，它是我们OpenMV的合作伙伴，同时也均为ST意法半导体的官方合作伙伴。目前EdgeImpulse对我们OpenMV用户是免费开放的，OpenMV用户可以免费的使用EdgeImpulse在线训练适用于OpenMV的神经网络模型。
为嵌入式设备OpenMV增加神经网络，可实现区分盗猎者和大象、对工厂生产线进行质量控制、让遥控模型车自行驾驶等功能。
在本教程中，你将学习如何收集图像建立一个高质量的数据集，如何应用迁移学习训练神经网络，以及如何将系统部署到OpenMV。
使用EdgeImpulse在线训练适用于OpenMV的神经网络模型主要分为以下四个步骤：数据集采集、上传、训练以及部署。
01采集数据集
在本教程中，我们会构建一个可以区分人脸是否佩戴口罩的模型。当然你也可以选择分类其他物品。为实现机器学习模型的运作，你需要收集戴口罩和不带口罩两种人脸的大量示例图像。在训练时，这些示例图像就用来做模型的区分练习。
我们需要利用OpenMVIDE来采集我们的数据集，采集图像的步骤如下：
*创建两个分类：
打开OpenMVIDE菜单栏的“工具”，选择“数据集编辑器”，单击“新建数据集”，然后新建一个文件夹并打开，在数据集里面再新建两个文件夹分别命名为mask（用来保存戴口罩的人脸的照片）和face（用来保存不戴口罩的人脸的照片）。
新建数据集
创建分类文件夹
*用OpenMV采集图像
首先我们连接OpenMV，点击IDE里面的“连接”，点击“运行”，Framebuffer帧缓冲区中可以看到OpenMV实时的图像，点击左侧菜单栏中的照片的按钮，OpenMV就会自动的保存这张图片，这就是数据集里面的一个数据。
首先我们要保存的是戴了口罩的人脸，点一下照片的按钮，IDE下侧就会拍摄一张照片，它会自动命名为00000，然后下一张是00001，以此类推。
用OpenMV分别采集200张戴口罩（男女各100张）和200张不戴口罩（男女各占100张）的人脸的照片。
用OopenMV采集男生戴口罩的图像
用OopenMV采集女生戴口罩的图像
*注意：要确保采集到各种角度的照片，保证我们训练学习的多样化。
*如果采集的过程中发现某张图片采集得不够完美的话，可以右键此图片点击删除。
02上传
*在EdgeImpulse上新建一个项目，点击“keys”，选择“APIKey”并复制“APIKey”。通过APIKey实现OpenMVIDE和EdgeImpulse的连通。
*选择OpenMVIDE上方菜单栏的“工具”——“数据编辑器”——“Export”——“上传”——“通过APIKey上传”，复制“APIKey”上传即可。
上传时数据将自动划分为训练集和测试集，我们默认选择比例为“80%和20%”即可。我们一共采集了400多张人脸图片，其中80%的TrainingDate就是默认你80%的数据用来训练，剩余的20%用作测试集。
用OpenMV上传数据集
将数据集上传到EdgeImpulse上
03训练数据集
数据集准备就绪，你就可以在EdgeImpulse网站界面中训练数据集了。
*配置处理模块：
首先选择“ImpulseDesign”，配置处理模块：
*设置默认的图像长宽为“96x96”；
*选择“图像Images”模块，表示我们是对图像进行分类训练（你也可以用EdgeImpulse分类声音、视频等）；
*选择“迁移学习（图像）TransferLearning(Images)”，设置学习的模型；
选择“保存Saveimpulse”，显示Successfully就是配置成功了。
配置处理模块
*图像预处理：
单击左侧菜单中的“图像Image”，将颜色格式设置为“RGB”，然后点击“Save”。
*接下来选择“生成特征Generatefeatures”来启动流程，将对400多张数据进行图像预处理，右侧会显示完整数据集的3D可视化。
特征资源管理器将数据集中的数据进行可视化处理。
在特征资源管理器中分离良好的集群更便于机器学习模型学习。
*配置迁移学习模型
单击左侧菜单中的“迁移学习Transferlearning”，设置的参数全部选择默认的就可以，也可以根据需求来更改参数：
1.将训练周期数Numberoftrainingcycles设置默认为10
2.将学习率Learningrate设置为0.0005
3.可以勾选也可以不勾选“数据增强Dataaugmentation”
4.将最低置信度Minimumconfidencerating默认设置为0.8。
点击“开始训练Starttraining”，训练的过程大概4到5分钟左右。
模型训练完成后，你可以查看准确度、混淆矩阵confusionmatrix和预期设备性能。
训练完成后的表现
*测试模型：
训练完成后，我们将使用测试数据来检验模型。
选择“模型测试Modeltesting”，勾选“样本名称Samplename”旁的复选框，点击“分类选择Classifyselected”。这里显示的准确度达到了97%，就一个数据甚少的模型而言实属难得。
发现显示红色的这一张图片是不确定的，点击这张图片右侧的三个点，选择“显示分类Showclassification”，你就会进入“实时分类”的界面，里面包含文件的更多细节。这个界面将帮助你确定图片分类错误的原因。
一个无法分类的图片（因为其最高数值仍低于0.8的阈值）
如果数据在所有已知的集群（戴口罩/不戴口罩）之外，这可能是与以前看到的任何分类都不匹配的数据——可能是由于头发遮住了大半的人脸。
04在OpenMV上运行模型
完成了训练设计、模型训练和模型验证的步骤，你就可以将这个模型导出到你的OpenMV，选择“OpenMV”，选择“Build”进行生成，它自动生成了3个文件:
*trained.tflite训练好的神经网络模型
*labels.txt两个分类标签（face和mask）
*ei_image_classification.py是OpenMV上面要运行的代码
连接OpenMVIDE，把这3个文件保存到OpenMV内置的Flash里面。将ei_image_classification.py文件在OpenMVIDE中打开，可以看到我们刚刚在EdgeImpulse里面生成的代码。点击运行，在串行终端里面会显示运行的结果。
识别戴口罩的人脸
识别不戴口罩的人脸
好啦，你已经成功地为OpenMV增加自行训练神经网络的功能了。