กลับไปหน้ารวมไฟล์
embedded-machine-learning-wake-word-detection-0017f0.md

ยุคของ TinyML: การฟังอย่างชาญฉลาด

โปรเจกต์ Wake Word Detection เป็นบทเรียนชั้นเยี่ยมของ Embedded Machine Learning (TinyML) ผู้ช่วยเสียงแบบดั้งเดิมอย่าง Siri หรือ Alexa อาศัยเซิร์ฟเวอร์คลาวด์อันทรงพลังในการทำความเข้าใจคำพูด ในทางตรงกันข้าม โปรเจกต์นี้พิสูจน์ให้เห็นว่า Arduino Nano 33 BLE Sense ซึ่งเป็นอุปกรณ์ที่มีขนาดไม่ใหญ่ไปกว่าหัวแม่มือ สามารถรัน Neural Network ภายในของตัวเองเพื่อตรวจจับคำหลักเฉพาะ เช่น "Yes," "No" หรือคำสั่ง "Wake Up" ที่กำหนดเองได้ โดยไม่ต้องเชื่อมต่ออินเทอร์เน็ตเลย

The Machine Learning Pipeline

การนำ AI ไปใช้กับไมโครคอนโทรลเลอร์ต้องมีขั้นตอนการทำงานแบบหลายขั้นตอนที่เชี่ยวชาญ:

  1. Dataset Preparation: โปรเจกต์นี้ใช้ SpeechCommands Dataset ซึ่งเป็นการรวบรวมคำพูดจำนวนมหาศาลที่ใช้ในการฝึกโมเดลให้จดจำสำเนียงและเสียงที่หลากหลาย
  2. Training in the Cloud: เนื่องจาก PC อาจช้าเกินไปสำหรับการเทรนโมเดลที่ซับซ้อน ผู้เขียนจึงใช้ Google Colab โดยใช้ประโยชน์จาก GPU บนคลาวด์ของพวกเขาเพื่อเทรน neural network
  3. Visualization: ผู้เขียนใช้ TensorBoard ในการตรวจสอบ "Loss" และ "Accuracy" ของโมเดล เพื่อให้แน่ใจว่า AI ไม่ได้แค่เดา แต่กำลังเรียนรู้รูปแบบเสียงของคำพูดของมนุษย์จริงๆ
  4. Compression and Conversion: เพื่อให้โมเดลพอดีกับ RAM ที่จำกัดของ Arduino ($256\text{KB}$) จึงถูกแปลงเป็นฟอร์แมต TensorFlow Lite (TFLite) ไฟล์นี้จะถูกแปลงเป็นอาร์เรย์สไตล์ C (ไฟล์ .h) ที่คอมไพเลอร์ Arduino สามารถเข้าใจได้

Hardware Edge: The Nano 33 BLE Sense

การเลือกบอร์ดเป็นสิ่งสำคัญสำหรับโปรเจกต์นี้ Nano 33 BLE Sense เป็นหนึ่งในไม่กี่บอร์ดที่ผู้ใช้งานทั่วไปเข้าถึงได้ ซึ่งมาพร้อมกับ:

  • ไมโครโฟนในตัว: ไมโครโฟน PDM ดิจิทัลคุณภาพสูงที่ป้อนเสียงเข้าสู่ processing core โดยตรง
  • Processor Cortex-M4: มีประสิทธิภาพมากพอที่จะทำการคำนวณทางคณิตศาสตร์หลายแสนครั้งต่อวินาทีที่จำเป็นสำหรับการทำ AI inference แบบเรียลไทม์
  • การใช้พลังงานต่ำ: ช่วยให้สามารถ "ตรวจสอบสภาพแวดล้อมอย่างต่อเนื่อง" โดยที่บอร์ดจะอยู่ในสถานะพลังงานต่ำจนกว่าจะได้ยินคำวิเศษ

Collaborative Intelligence

โปรเจกต์นี้ได้รับการพัฒนาขึ้นสำหรับรายวิชา AIE605 Special Topics in AI ซึ่งเน้นย้ำถึงการเปลี่ยนแปลงในการศึกษาด้านหุ่นยนต์ที่มุ่งเน้นไปทางปัญญาประดิษฐ์ มันทำหน้าที่เป็นแผนงานที่ชัดเจนสำหรับเมกเกอร์ทุกคนที่ต้องการสร้างอุปกรณ์ "อัจฉริยะที่มองไม่เห็น" ตั้งแต่อุปกรณ์สวมใส่ที่สั่งงานด้วยเสียง ไปจนถึงเครื่องจักรอุตสาหกรรมที่ตอบสนองต่อความผิดปกติทางเสียง

Keyword spotting คือการโต้ตอบด้วยคำสั่งเสียงที่คอยตรวจสอบสภาพแวดล้อมอย่างต่อเนื่อง เมื่อมีการกระตุ้นด้วย 'wake up' ฟังก์ชันที่กำหนดไว้จะถูกดำเนินการ โปรเจกต์นี้แสดงให้เห็นถึงพลังเต็มรูปแบบของ TensorFlow Lite บน Arduino โดยเปลี่ยนแนวคิดจากนิยายวิทยาศาสตร์ให้กลายเป็นความจริงในชีวิตประจำวัน

ข้อมูล Frontmatter ดั้งเดิม 

title: "Embedded Machine Learning - Wake Word Detection"
description: "A professional-tier TinyML project: Learn how to train and deploy voice-activated neural networks to an Arduino Nano 33 BLE Sense."
author: "anaferraz"
category: "Artificial Intelligence"
tags:
  - "machine-learning"
  - "voice-control"
  - "tinyml"
  - "tensorflow-lite"
  - "embedded"
views: 1014
likes: 1
price: 1999
difficulty: "Intermediate"
components:
  - "1x Arduino Nano 33 BLE Sense (with integrated digital microphone)"
tools: []
apps:
  - "1x Arduino IDE"
  - "1x Google Colab (for Model Training)"
  - "1x TensorFlow Lite (Library)"
  - "1x TensorBoard (for Visualization)"
downloadableFiles:
  - "https://create.arduino.cc/editor/anaferraz/6ce3ada2-968f-44e8-83ea-72a6302327c6"
documentationLinks:
  - "https://www.dr-e-mattar-uob.com/"
passwordHash: "15f83a293c21886d8fcd44be2397a8af7d261cf7525f31016e0e8c5b0b319805"
encryptedPayload: "U2FsdGVkX1+ezHPszi2XGxAlkP/qFOtR70JJwM3+OHNhT34+B1uWF3EFqsBZ+JE1ux/l8dUzBENtHkaqCoXmU6pRoQsUj0r5DPyqEI50HFg="
seoDescription: "Build a Wake Word Detection system with Arduino Nano 33 BLE Sense. A complete TinyML workflow from Google Colab training to TensorFlow Lite deployment."
videoLinks: []
heroImage: "https://cdn.jsdelivr.net/gh/bigboxthailand/arduino-assets@main/images/projects/embedded-machine-learning-wake-word-detection-0017f0_cover.jpg"
lang: "th"