マイコンで機械学習（Machine Learning）をやってみよう

はじめに
機械学習の実行に必要なセットアップ
機械学習ソフトウェアを使ってみよう
まとめ

はじめに

今回はNXP社から提供されている機械学習ソフトウェア開発環境「eIQ」を使って、機械学習を行ってみたいと思います。ツールのダウンロードからセットアップ、サンプルプロジェクトの動かし方まで紹介していますので、是非お手元でも試してみてください。

eIQについて

NXPのeIQ機械学習ソフトウェア開発環境は、NXPのマイコン／プロセッサ上で機械学習アルゴリズムを動作させるための開発ツールです。現在はi.MX RTクロスオーバーMCUとi.MX 8Mアプリケーション・プロセッサ・ファミリをサポートしています。eIQ機械学習ソフトウェアには「eIQ Toolkit」という機械学習のワークフロー・ツールと各種推論エンジンに対応した最適化されたライブラリ、ニューラルネットワーク・コンパイラなどが含まれます。このソフトウェアはオープンソースと独自の技術を組み合わせており、ユーザがシステムレベルのアプリケーションを容易に開発できるよう、NXPのMCUXpresso SDKとYocto開発環境に統合されています。
なお、車載向けには eIQ Automotive AI Enablement を参照ください。

機械学習の実行に必要なセットアップ

必要なハードウェア

eIQ Toolkitを動かすには以下のハードウェアが必要です。

ネットワーク接続(ターゲットボードとの接続に利用)
DHCPによってIPアドレスが配布される環境
ネットワークケーブル

ツール、ソフトウェアのダウンロード

eIQ Toolkit

eIQ Toolkitを以下のリンクから入手します。
eIQ Toolkit

MCUXpresso SDK

MCUXpreso SDKを以下のリンクから入手します。
MCUXpresso SDK

① “RT1170”を検索します
② RT1170関連のSDKの一覧が出てくるので、”MIMXRT1170-EVK”を選択します。
③ “Build MCUXpresso SDK v2.10.0”を押します

④ Build SDK for MIMXRT1170-EVK画面が表示されるので、eIQをチェックします
※この時、CMSIS DSP Libraryも自動的に選択されます
⑤ Download SDKを押します

eIQ Toolkitのインストール

eIQ Toolkitのインストールを行います。eIQ Toolkitのインストールパッケージを実行するとインストーラが起動します。

「Next」を選択して次の画面に進みます。

ライセンスを確認した後、「I accept…」を選択し、「Next」を押して次の画面に進みます。

必要であればインストールフォルダを変更し「Next」を押して次の画面に進みます。

ここで「Install」を押すと、「ユーザーアカウント制御」による確認が行われた後に、インストールが開始します。

MCUXpresso SDKの登録

このInstalled SDKのところに、MCUXpresso SDKでダウンロードしたファイルをドラッグアンドドロップすると、SDKを登録するかが聞かれてセットアップされます。

ターゲットボードとネットワークの接続

ターゲットボードとネットワークケーブルは、1G ENET端子に接続します。

機械学習ソフトウェアを使ってみよう

eIQ Toolkitのメイン画面

eIQ Toolkitを起動すると次の画面が表示されます。

各ボタンの動作は次の通りです。

「CREATE PROJECT」：プロジェクト生成
「OPEN PROJECT」：プロジェクト読み込み
「MODEL TOOL」：モデル変換ツールを実行
「COMMAND LINE」：コマンドプロンプトを開く(コマンドライン上から直接利用)

今回利用するサンプルプロジェクトの概要

画像の認識と分類を行います

モデル：Mobilenet-cnn
入力画像サイズ：128×128
出力形式：ラベル番号
ラベル
- Burrito_plate
- ChickenSandwich
- ChipsAndSalsa
- HotdogAndFries
- MeatballSandwich
- MeatballSpaghetti
- PizzaSlice
- PotatesAndCheken

eIQ Toolkitでのプロジェクトオープン

まず、サンプルプロジェクトを開きましょう。「OPEN PROJECT」ボタンを押すと、次のようにファイル選択画面が表示されます。

デフォルトのインストールフォルダだと、以下の位置にサンプルプロジェクトファイルがあるので開きます。
C:¥nxp¥eIQ_Toolkit_v1.0.5¥workspace¥projects¥fooddataset.eiqp (<install folder>¥workspace¥projects¥fooddataset.eiqp)

データセット表示画面

プロジェクトファイルを開くと、”Data Set Cursor”画面が表示されます。この画面は学習用のラベルと、ラベルに対応付けられたイメージファイルの一覧が表示されています。

まずは既存のデータセットのままで進めるので、「SELECT MODEL」で次に進めます。

トレーニング

次にトレーニング画面が表示されます。

この画面ではトレーニングの種別を選択します。項目の意味は次の通りです。

Classification: 分類
Detection: 検出

ここでは、Classification(分類)を選択しましょう。

次にトレーニングの最適化設定画面が表示されます。

この画面ではトレーニングの最適化方向を選択します。項目の意味は次の通りです。

Performance: パフォーマンス(速度)
Balanced: バランス型(PerformanceとAccuracyの中間)
Accuracy: 精度

ここでは、 Performance(速度)を選択しましょう。

次にトレーニングの最適化ターゲット画面が表示されます。

この画面ではトレーニングの最適化ターゲットを選択します。項目の意味は次の通りです。

MCU: マイコン(Microcontroller)
CPU: 中央演算処理装置(Central Processing Unit)
GPU: Graphical Processing Unit(GPU)
NPU: Neural Processing Unit(NPU)

ここでは、MCUを選択しましょう。

次にTrainer画面が表示されます。

この画面の意味は次の通りです。

TRAINER SETTINGS: Trainerの設定

Weight initialization: 重みづけの初期化タイプ(imagenet: imagenet学習済みのデータ、Random: ランダム値、File: ファイル参照)
Input Size: 入力のイメージサイズ
Learning Rate: 学習率
Batch Size: 入力のバッチサイズ
Epochs To Train: 学習のエポック数(設定したエポックを超えたら停止)
Enable QAT: Quantivation Aware Traing(量子化に配慮したトレーニング)を実施

MODEL PARAMETERS: モデルのパラメータ
- Alpha: α数
- Optimizer: 学習最適化アルゴリズム
EVALUATION SETTINGS: 学習設定
- Enable Evaluation: 学習有効化
- Epochs Per Evaluation: 学習のエポック数
MODEL PERFORMANCE: モデルのパフォーマンス
※学習時の各種情報が表示されます
MODEL STATISTICS
※学習時の学習状態が表示されます

続けて、以下の設定を行いましょう。

Input Sizeを”128,128,128,3”に変更
Learning Rateを”0.01”に変更
Epochs To Train: を一番右(∞)に設定

この後、左下にある黄色の”START TRAINING”ボタンを押しましょう。

トレーニングを実行してみよう

トレーニングを開始すると、進行中のトレーニング状況が表示され、しばらくすると自動的にトレーニングが中断します。

トレーニングを続行する場合は「CONTINUE TRAING」ボタンを、トレーニングパラメータを変更する場合は「SELECT MODEL」で戻ります。ここでは、「VALIDATE」へ進みます。

検証(Validate)

PCでの検証

検証(Validate)画面は以下の通りです。

この画面の操作は次の通りです

VALIDATION TARGET: 検証ターゲットを設定(MCU等の実機での検証を行う場合)
VALUDATE: 検証開始

まずは、eIQ Toolkit単独での検証を行うため、「VALIDATE」ボタンを押しましょう。

検証が完了すると以下のように検証結果が表示されます。

縦軸がActual(実績)、横軸がPredicted(予測結果)です。実測と予測結果がすべて一致する場合、左上から右下の項目は全部緑色に表示されますが、実測と予測結果が不一致した項目は赤色で表示されています。マウスポインタを合わせるとツールチップで実際にどれくらい誤判定したのかを確認することができます。