머신 러닝 학습 방법

제대로 잘 작동되는 ML 모델이 탄생하려면 학습의 과정이 필요합니다. 모델을 학습시키는 데 사용할 수 있는 여러 가지 학습 방법이 있습니다.

• 지도 - 레이블과 태그가 지정된 샘플 데이터를 기반으로 하는 학습 유형으로, 마치 가정 교사가 숙제를 교정해 주는 것처럼, 출력은 알고 있는 값이어서 올바른지 여부를 확인할 수 있습니다. 이 유형의 훈련은 통상적으로 분류 작업이나 데이터 회귀와 같은 응용 분야에서 사용됩니다. 지도 학습은 매우 유용하고 정확도가 높지만, 태그가 지정된 데이터 세트에 따라 그 학습이 상당히 좌우되며 새로운 입력은 처리하지 못할 수도 있습니다.
• 비지도 - 출력이 정해진 레이블된 학습 데이터 대신 학습 알고리즘을 사용하여, 레이블이 없는 데이터 세트에서 데이터 클러스터를 연구, 분석 및 발견합니다. 통상적으로 비지도 학습은 대규모 데이터 세트를 연구하고 데이터 포인트 간의 관계를 찾아야 하는 응용 프로그램에서 사용됩니다.
• 준지도 - 지도와 비지도 학습이 혼합된 형태입니다. 학습 데이터 세트에는 태그가 지정된 데이터와 태그가 지정되지 않은 데이터가 모두 포함되어 있습니다. 준지도 학습은 다른 방법보다 더 넓은 범위의 입력 데이터를 처리할 수 있지만, 지도 학습이나 비지도 학습보다 더 복잡할 수 있으며 레이블이 지정되지 않은 데이터의 품질이 최종 모델의 정확도에 영향을 미칠 수 있습니다.
• 인간의 피드백을 통한 강화 학습(RLHF) - 명확하게 정의할 수 있는 행동, 성과 지표, 그리고 채점 및 개선이 가능한 결과를 함께 사용할 필요가 있는 학습 유형입니다. 규칙 집합과 취할 수 있는 행동을 정의함으로써, 강화 학습은 목표 조건을 달성하기 위한 다양한 행동 방침을 평가하기 위해 지속적으로 반복할 수 있습니다.

임베디드 머신 러닝

임베디드 ML은 다음과 같은 모델의 실행에 중점을 둔 머신 러닝의 하위 분야입니다.

• 낮은 지연 시간(서버를 기다리거나 서버 도달에 걸리는 네트워크 지연 시간을 해결하지 않아도 됨)
• 낮은 대역폭(네트워크를 통해 고해상도 데이터를 반환하지 않음)
• 저전력(W가 아닌 mW)

임베디드 ML 모델은 서버나 개인용 컴퓨터와 같은 대규모 데이터 처리 하드웨어에 의존하는 대신 마이크로 컨트롤러, FPGA, DSP와 같은 소형 저전력 소자에 배포될 수 있습니다.

임베디드 ML 응용 프로그램에 대한 모델 학습은 서버 또는 컴퓨터에서 수행할 수 있습니다. 이는 모든 데이터를 입력하여 결과 모델을 생성하는 과정입니다.

임베디드 ML 모델이 생성되고 나면, 임베디드 시스템에서 실행시킬 수 있습니다. 임베디드 ML의 일반적인 응용 프로그램에는 호출 명령어를 인식하고 활성화, 사람인지 사물인지 식별, 또는 센서의 데이터 스트림에 기반하여 이상 징후 탐지 등이 있습니다.

TensorFlow

출처: https://www.tensorflow.org/

TensorFlow는 머신 러닝 모델을 구축, 학습 및 배포하기 위한 무료 오픈 소스 소프트웨어 라이브러리입니다. 2011년 Google에서 Google Brain 프로젝트를 위해 처음 개발했으며, 2015년에 일반에 공개되었고 2019년에 업데이트된 최신 버전인 TensorFlow 2.0이 출시되었습니다.

TensorFlow는 머신 러닝 학습과 심층 신경망 추론에 있어 가장 인기 있고 널리 사용되는 프레임워크입니다. 많은 개발자가 Python API 라이브러리를 통해 TensorFlow와 상호 작용하지만, TensorFlow는 Java, JavaScript 및 C++ 프로그래밍 언어와도 호환됩니다. 타사 패키지를 사용하면 옵션이 더 늘어나서 MATLAB, R, Haskell, Rust 등의 거의 모든 언어를 사용할 수 있습니다.

TensorFlow Lite

출처: https://www.tensorflow.org/lite/guide

TensorFlow Lite는 소규모 작업을 위해 설계된 TensorFlow의 하위 라인으로, 임베디드 시스템, 모바일 장치, 에지 컴퓨팅 장치와 같이 하드웨어가 제한되고 전력이 한정된 장치가 여기에 포함됩니다. 개발자는 TensorFlow에서 기존 ML 모델을 학습, 생성 또는 수정한 다음, 모바일 장치에서 실행할 수 있는 TensorFlow Lite를 사용하여 더 작고 효율적인 소프트웨어 패키지로 변환할 수 있습니다.

출처: https://www.digikey.com/en/maker/projects/intro-to-tinyml-part-1-training-a-model-for-arduino-in-tensorflow/8f1fc8c0b83d417ab521c48864d2a8ec

그러나 마이크로 컨트롤러 플랫폼에 배포된 후에는, 로컬에서 수행하기에는 너무 많은 컴퓨팅 성능과 시간이 필요하기 때문에 장치에서 ML 모델에 대한 추가 학습이 이루어지지 않는 것이 일반적입니다. 즉, 통상적으로 새로운 데이터 소스 없이 오프라인에서 완전히 학습이 완료된 모델입니다. 이러한 제한적인 접근 방식으로 인해, 단일 작업을 수행하는 응용 분야에 적합하나 광범위한 데이터 정렬이 필요합니다.

출처: https://www.digikey.com/en/maker/projects/tinyml-getting-started-with-tensorflow-lite-for-microcontrollers/c0cdd850f5004b098d263400aa294023

PyTorch와 ExecuTorch

출처: https://github.com/pytorch/pytorch

에지의 하드웨어 플랫폼에서 ML 모델을 실행할 필요성이 증가함에 따라, PyTorch는 스마트폰, 웨어러블 장치 및 임베디드 플랫폼에서 머신 러닝 모델을 실행할 수 있는 완전한 엔드 투 엔드 소프트웨어 툴인 ExecuTorch를 개발하였습니다. 모델링부터 변환 및 배포까지 일반 PyTorch와 동일한 툴체인 및 SDK를 사용할 수 있는 ExecuTorch는 다양한 CPU, NPU 및 DSP 플랫폼과도 호환됩니다.

ExecuTorch는 PyTorch 2.0으로 제작되어 사용자 친화적이며, 스마트폰 애플리케이션에 대한 안드로이드 지원을 포함하여 다양한 장치에서 지원됩니다.

Edge Impulse

Edge Impulse는 소프트웨어 개발자가 실제 데이터를 취득하여 가져오고, ML 모델을 구축, 학습 및 테스트한 다음 에지 컴퓨팅 장치에서 효율적으로 실행할 수 있는 클라우드 기반의 통합 개발 환경(IDE)입니다.

Edge Impulse와 TensorFlow 머신 러닝 소프트웨어의 차이점. Edge Impulse의 경우 모델 개발 프로세스가 사용자의 관여가 없는 반면 TensorFlow 개발의 경우에는 훨씬 더 관여가 많은 프로세스입니다.

Edge Impulse의 장점

Edge Impulse 프레임워크의 경우 오디오(마이크)에서부터 이미지(카메라), 센서 데이터(진동 센서)에 이르는 모든 데이터의 작업이 가능하며 그외에도 다음과 같은 데이터 작업이 가능합니다.

• 물체 인식 및 이미지 감지(사람 감지 등)
• 오디오 감지를 통한 '호출 명령어'(스마트 홈 어시스턴트)
• 이상 징후 감지(예방보전)
• 활동/패턴 인식(프로세스 간소화)

머신 러닝이 적용된 비전 센서

신경망을 사용하여 계산 알고리즘을 제공함으로써, 카메라 센서의 시야에 들어오는 물체와 사람을 감지하고 추적할 수 있습니다.

OpenMV 캠으로 머신 러닝을 물체 감지에 빠르게 적용

OpenMV H7 카메라 모듈을 활용하면 머신 러닝 알고리즘과 데이터 세트를 사용하여 물체를 감지하고 이미지를 처리할 수 있습니다.

자세히

클라우드 연결 없는 위조 방지 얼굴 인식을 빠르게 구현

특수 프로세서 및 소프트웨어 라이브러리를 통해, 더 간단하고 안전한 안면 기반 인증 대체품을 제작할 수 있습니다.

자세히

TinyML 및 OpenMV를 사용하여 머시 비전 시작하기 – 1부

OpenMV 카메라에 대한 소개.

자세히

Introducing the Arduino Nicla Vision Board for Professional Machine-Vision Applications​

This article focuses on the main features and specifications of the Arduino Nicla Vision, a compact industrial-grade board that has the potential to drive professional machine-vision applications.

자세히

AI Vision Modules - Electronics with Becky Stern

AI vision boards allow you to incorporate features like face, person, and object recognition into your projects.

자세히

Getting Started with the OpenMV Cam: Machine Vision with MicroPython​

In this tutorial, Shawn shows you how to get started with the OpenMV H7 camera module, which uses MicroPython to perform a variety of machine vision tasks.

자세히

AI 비전 센서

OPENMV4 CAM H7

OV7725, STM32H743 - 이미지 센서 평가 기판 - 센서

자세히

Nicla Vision​

LSM6DSOX, MP34DT05, VL53L1CBV0FY/1 - 이미지 센서 평가 기판 - 센서

자세히

머신 러닝이 적용된 동작 센서

머신 러닝 플랫폼이 통합된 동작 센서는 센서와 같은 패키지에서 실시간으로 데이터를 추적하고 처리할 수 있어 전력 소비와 처리 시간이 줄어듭니다. 이러한 유형의 센서에는 대부분 작은 계산 논리 기반 의사 결정 트리가 있거나, 필터 또는 트리거 임계값을 미리 정의할 수 있는 기능이 있습니다. 입력 값이 정한 수준에 도달했을 때 정해진 작업을 수행합니다. 이 외에도 패키지에 완전한 DSP 장치가 내장되어 있어, 기본 CPU 없이도 여러 ML 알고리즘을 실행하여 전력과 시간을 절약할 수 있는 동작 센서도 있습니다.

스마트 센서의 내장된 머신 러닝 코어를 사용하여 “상시 작동” 동작 추적 최적화

저전력 상시 작동 동작 추적을 위해 통합 머신 러닝 코어가 탑재된 스마트 센서를 사용하여 복잡한 이동 시퀀스를 감지합니다.

자세히

정말로 모든 미가공 센서 데이터가 필요하십니까? 아닙니다. 더 나은 방법이 있습니다!

스마트 센서를 사용하여 데이터 세트를 줄여 애플리케이션이 미가공 측정보다 관심 있는 이벤트에 더 집중할 수 있게 합니다.

자세히

ATtiny1627 Curiosity Nano를 사용하여 동작 감지 단순화

Microchip ATtiny1627 Curiosity Nano 및 PIR 센서를 통한 동작 감지에 대해 간단히 살펴보고 이를 활용하세요.

자세히

내구성이 뛰어나고 수명이 긴 고급 IMU를 사용하여 산업용 장치의 수명 보장

뛰어난 내구성이 보장되는 견고한 산업용 IMU는 산업용 장치의 강력한 성능, 안정성 및 수명에 대해 증가하는 요구 사항을 충족합니다.

자세히

Cat.Ai – Potentially Genius | DigiKey​

n this episode, Tomorrow Lab collaborates Cornel Pizara from Analog Devices to create a product using the MAX78000— a new breed of AI Micro built to enable neural networks to execute at ultra-low power.

자세히