{"id":4790,"date":"2023-01-25T01:52:32","date_gmt":"2023-01-25T04:52:32","guid":{"rendered":"http:\/\/wisely.cl\/?p=4790"},"modified":"2025-04-19T12:27:47","modified_gmt":"2025-04-19T15:27:47","slug":"edge-impulse","status":"publish","type":"post","link":"https:\/\/wisely.cl\/blog\/edge-impulse\/","title":{"rendered":"Probando Edge Impulse, Computer Vision para embebidos"},"content":{"rendered":"\n

\u00bfQu\u00e9 es Edge Impulse?<\/strong><\/h2>\n\n\n\n

Edge Impulse es una plataforma que permite desarrollar algoritmos de Machine Learning para implementarse en  dispositivos o sistemas embebidos, a esto se le llama \u201cTinyML\u201d. Esta plataforma ayuda a que no sea necesario entrar de manera tan profunda en el desarrollo del c\u00f3digo, ya que es posible implementar nuestro algoritmo ingresando una base de datos, ajustando todos los par\u00e1metros que respectan a nuestro sistema y entrenando el programa con diferentes casos de implementaci\u00f3n arbitraria.<\/p>\n\n\n\n

La plataforma permite realizar proyectos de detecci\u00f3n de objetos, reconocimiento de voz, o procesar gestos de un aceler\u00f3metro entre otras cosas.<\/p>\n\n\n\n

\"\"
Tipo de Implementaci\u00f3n en Edge Impulse<\/figcaption><\/figure>\n\n\n\n
<\/div>\n\n\n\n

Edge Impulse cuenta con grandes clientes del mercado de la tecnolog\u00eda inteligente en conjunto de una gran gama de partners proveedores de dispositivos electr\u00f3nicos y servicios web que demuestran su gran eficiencia para la entrega de soluciones.<\/p>\n\n\n\n

\"\"
Empresas que han Implementado Soluciones con Edge Impulse<\/figcaption><\/figure>\n\n\n\n
<\/div>\n\n\n\n
\"\"
Partners de Tecnolog\u00eda de Edge Impulse<\/figcaption><\/figure>\n\n\n\n
<\/div>\n\n\n\n

Si necesitas saber m\u00e1s a detalle que es el Machine Learning y el TinyML, Edge Impulse tiene una introducci\u00f3n muy completa dentro de su documentaci\u00f3n, puedes revisarla en el siguiente enlace:<\/p>\n\n\n\n

https:\/\/docs.edgeimpulse.com\/docs\/what-is-embedded-machine-learning-anyway<\/a><\/p>\n\n\n\n

<\/div>\n\n\n\n

\u00bfC\u00f3mo se Usa?<\/strong><\/h2>\n\n\n\n

Para implementar un proyecto solo tienes que crear tu cuenta, indicar que tipo de proyecto quieres hacer y realizar la adquisici\u00f3n de datos. <\/p>\n\n\n\n

La interfaz de la p\u00e1gina es muy c\u00f3moda e intuitiva para el usuario.<\/p>\n\n\n\n

\"\"
Interfaz de Edge Impulse<\/figcaption><\/figure>\n\n\n\n
<\/div>\n\n\n\n

La plataforma entrega diversas alternativas para el ingreso de los datos, por ejemplo, si tienes un dispositivo que ya est\u00e1 midiendo datos, la plataforma te permite recopilarlos para construir tu base de datos. En el caso de ya tener un conjunto de datos locales, este puede cargarse directamente.<\/p>\n\n\n\n

<\/div>\n\n\n\n
\"\"
Alternativas para el Ingreso de Datos en Edge Impulse<\/figcaption><\/figure>\n\n\n\n
<\/div>\n\n\n\n

Si se desea recopilar en tiempo real con alg\u00fan kit de desarrollo compatible con la plataforma, se puede seleccionar la placa a utilizar y seguir las instrucciones entregadas por la plataforma. Algunos de los dispositivos MCU o CPU\/GPU compatibles son los siguientes:<\/p>\n\n\n\n

\"\"
Arduino Nano 33 BLE Sense<\/figcaption><\/figure>\n\n\n\n
\"\"
Espressif ESP-EYE (ESP32)<\/figcaption><\/figure>\n\n\n\n
\"\"
Rapsberry Pi 4<\/figcaption><\/figure>\n\n\n\n
<\/div>\n\n\n\n
\"\"
RAKwireless WisBlock Modular System Diagram<\/figcaption><\/figure>\n\n\n\n
<\/div>\n\n\n\n

En el caso de querer profundizar en las especificaciones de las compatibilidades de esta plataforma, Edge Impulse entrega un listado muy completo de las placas compatibles y de que manera sincronizarlas con la plataforma. Lo puedes encontrar en el siguiente enlace:<\/p>\n\n\n\n

https:\/\/docs.edgeimpulse.com\/docs\/development-platforms\/fully-supported-development-boards<\/a><\/p>\n\n\n\n

Cuando la base de datos ya est\u00e1 cargada en la plataforma se debe crear un Impulse, que es la herramienta que se encarga de entrenar y procesar el modelo con los datos de nuestra base de datos. Una vez listos todos los pasos, la plataforma permite cargar el modelo creado en el microcontrolador designado para el proyecto.<\/p>\n\n\n\n

<\/div>\n\n\n\n

Probando Edge Impulse<\/strong><\/h2>\n\n\n\n

Para probar esta plataforma, decidimos construir un sistema que pueda reconocer y rastrear un objeto en espec\u00edfico a trav\u00e9s de una c\u00e1mara web, a esto se le llama detecci\u00f3n de objetos. El objeto escogido fue un reloj de mu\u00f1eca.<\/p>\n\n\n\n

Lo primero es instalar los requerimientos que necesita Edge Impulse para funcionar en una Raspberry. Para instalar estos requerimientos se deben seguir los pasos que indica la documentaci\u00f3n en el siguiente link:<\/p>\n\n\n\n

https:\/\/docs.edgeimpulse.com\/docs\/development-platforms\/officially-supported-cpu-gpu-targets\/raspberry-pi-4<\/a><\/p>\n\n\n\n

En t\u00e9rminos simples, es ingresar los comandos y habilitar los puertos.<\/p>\n\n\n\n

Comandos para Instalar Edge Impulse:<\/p>\n\n\n\n

1) sudo apt update \n2) sudo apt upgrade \n3) curl -sL https:\/\/deb.nodesource.com\/setup_12.x | sudo bash - \n4) sudo apt install -y gcc g++ make build-essential nodejs sox gstreamer1.0-tools gstreamer1.0 plugins-good gstreamer1.0-plugins-base gstreamer1.0-plugins-base-apps \n5) npm config set user root && sudo npm install edge-impulse-linux -g --unsafe-perm<\/pre>\n\n\n\n
<\/div>\n\n\n\n
Al realizar todos los pasos, posteriormente debemos ejecutar el comando para ingresar a la plataforma:<\/p>\n\n\n\n
edge-impulse-linux<\/pre>\n\n\n\n
Con esto se nos solicitar\u00e1 el correo y la clave con la que iniciamos sesi\u00f3n. <\/p>\n\n\n\n
Tras ingresar el usuario y contrase\u00f1a, nos pedir\u00e1 seleccionar la c\u00e1mara y darle un nombre, de esta forma ya tendremos nuestro dispositivo conectado a Edge Impulse.<\/p>\n\n\n\n
<\/div>\n\n\n\n
\"\"
C\u00e1mara Conectada por Raspberry Pi<\/figcaption><\/figure>\n\n\n\n
<\/div>\n\n\n\n
\"\"
Raspberry y Webcam Conectadas a Plataforma<\/figcaption><\/figure>\n\n\n\n
<\/div>\n\n\n\n
Con el equipo conectado, ya podemos recolectar datos, ya se de manera manual o tomar fotos, audio o video con la misma c\u00e1mara conectada al dispositivo. <\/p>\n\n\n\n
En nuestra experiencia, recomendamos tomar muestras de manera manual con el dispositivo que utilizaremos para el funcionamiento de la red neuronal, ya que al momento de implementar fotos arbitrarias de internet, el nivel de compatibilidad con las fotos ser\u00e1 demasiado bajo y no funcionar\u00e1 de manera correcta. Es muy importante tomar en cuenta estas consideraciones para tener resultados.<\/p>\n\n\n\n
Se recomienda que para este tipo de proyectos se utilicen entre 50 o 60 im\u00e1genes para hacer el entrenamiento, para nuestro ejemplo utilizamos 80 fotos tomadas con la misma web cam que conectamos a nuestra Raspberry. Es importante que las im\u00e1genes est\u00e9n en los formatos que solicita la plataforma.<\/p>\n\n\n\n
\"\"
Im\u00e1genes Cargadas<\/figcaption><\/figure>\n\n\n\n
<\/div>\n\n\n\n
Una vez cargadas las im\u00e1genes en la plataforma, debemos habilitar la \u201clabeling queue\u201d o cola de etiquetado, para esto debemos seguir los siguientes pasos:<\/p>\n\n\n\n
Dashboard > Project info > Labeling method’ select ‘Bounding boxes (object detection)’<\/em><\/p>\n\n\n\n
\"\"
Ubicaci\u00f3n de la Configuraci\u00f3n<\/figcaption><\/figure><\/div>\n\n\n\n
<\/div>\n\n\n\n
Ahora podemos etiquetar de imagen en imagen el objeto que queremos reconocer. Entrando en Data Acquisition y Lebeling queue.<\/p>\n\n\n\n
\"\"
Lebeling Queue<\/figcaption><\/figure>\n\n\n\n
<\/div>\n\n\n\n
\"\"
Cortes en las Im\u00e1genes Seleccionadas<\/figcaption><\/figure>\n\n\n\n
Ya con todas las im\u00e1genes seleccionadas, podemos crear un impulso. Es importante destacar que las medidas son una restricci\u00f3n para el tipo de modelo que utilizaremos, para este caso se requieren dimensiones de 320 x 320, de lo contrario no nos permitir\u00e1 ocupar el modelo seleccionado.<\/p>\n\n\n\n
<\/div>\n\n\n\n
\"\"
Par\u00e1metros de Impulse<\/figcaption><\/figure>\n\n\n\n
Tras guardar el Impulse, presionamos en Image en la ventana de la izquierda y posteriormente Save parameters > Generate Features<\/p>\n\n\n\n
<\/div>\n\n\n\n
\"\"
Par\u00e1metros de Imagen<\/figcaption><\/figure>\n\n\n\n
<\/div>\n\n\n\n
\"\"
Entrenamiento de Datos<\/figcaption><\/figure>\n\n\n\n
Ahora que ya se hizo el an\u00e1lisis de las im\u00e1genes ya es posible aplicar el entrenamiento del sistema, para este caso es la detecci\u00f3n de objetos. Presionamos en el costado derecho donde dice Object detection.<\/p>\n\n\n\n
Es importante recalcar que el modelo utilizado para este caso es el MobileNetV2 SSD FPN-Lite 320×320<\/em>.<\/p>\n\n\n\n
<\/div>\n\n\n\n
\"\"
Configuraci\u00f3n de Red Neuronal<\/figcaption><\/figure>\n\n\n\n
Ahora vamos a \u201cModel testing\u201d  para comparar nuestro modelo con los datos que quedaron en pruebas. Presionamos cualquiera de los datos de prueba y presionamos \u201cshow classsification\u201d para ver la relaci\u00f3n del dato con el modelo.<\/p>\n\n\n\n
\"\"
Resultados del Testeo del Modelo<\/figcaption><\/figure>\n\n\n\n
<\/div>\n\n\n\n
\"\"
Muestra de la Relaci\u00f3n del Dato con el Modelo<\/figcaption><\/figure>\n\n\n\n
<\/div>\n\n\n\n
Como sabemos que el modelo ya funciona, podemos ejecutarlo en nuestro dispositivo. Para ello, debemos ejecutar el siguiente comando en nuestra Raspberry despu\u00e9s de cerrar el comando anterior de la Raspberry:<\/p>\n\n\n\n
edge-impulse-linux-runner<\/pre>\n\n\n\n
De esta forma se comenzar\u00e1 a cargar el modelo en nuestro dispositivo para funcionar de manera local. Finalemente nos dar\u00e1 una IP local con un puerto especifico al cual podremos entrar para usar el equipo en tiempo real.<\/p>\n\n\n\n
\"\"
Modelo Tiempo Real Ejecutado en Raspberry Pi<\/figcaption><\/figure>\n\n\n\n
Al ingresar en la IP teniendo la c\u00e1mara conectada al dispositivo, podremos poner frente a la c\u00e1mara el objeto con el que trabajamos para detectar, en nuestro caso utilizamos relojes de mu\u00f1eca.<\/p>\n\n\n\n
\"\"
Direcci\u00f3n IP y Dispositivo Detectado por el Modelo Local<\/figcaption><\/figure>\n\n\n\n
<\/div>\n\n\n\n
Para m\u00e1s detalle sobre la implementaci\u00f3n de un ejemplo como este, uno de los Ingenieros fundadores de Edge Impulse public\u00f3 un tutorial b\u00e1sico del paso a paso para realizar un ejemplo peque\u00f1o de como detectar objetos:<\/p>\n\n\n\n
\n