模型案例：| 石头、剪刀、布手势识别模型！

2023年以ChatGPT为代表的大语言模型横空出世，它的出现标志着自然语言处理领域取得了重大突破。它在文本生成、对话系统和语言理解等方面展现出了强大的能力，为人工智能技术的发展开辟了新的可能性。同时，人工智能技术正在进入各种应用领域，在智慧城市、智能制造、智慧医疗、智慧农业等领域发挥着重要作用。

柴火创客2024年将依托母公司Seeed矽递科技在人工智能领域的创新硬件，与全球创客爱好者共建“模型仓”，通过“SenseCraft AI”平台可以让使用者快速部署应用体验人工智能技术！

本期介绍：模型案例：| 石头、剪刀、布手势识别模型！

边缘机器学习 Edge ML

随着物联网和移动设备的普及，大量的数据源产生并需要实时的智能决策。为了降低延迟、减少网络带宽消耗和提高隐私保护，边缘机器学习应运而生。边缘机器学习是将机器学习算法和模型部署在边缘设备上进行实时数据处理和决策的方法。

边缘设备的范围广泛，包括智能手机、物联网设备和传感器等。边缘机器学习的优势主要体现在三个方面。

实时性，通过将计算和智能移动到数据源附近，可以实现近乎实时的数据处理和决策，满足对实时性要求较高的应用场景。

带宽消耗，边缘机器学习可以在本地处理数据，减少对云端的数据传输，降低了网络带宽的消耗。

隐私保护，将数据处理和决策推向边缘设备，减少了敏感数据通过云端传输的风险，提高了隐私保护水平。

边缘机器学习不足

计算资源有限，边缘设备通常具有有限的计算能力，限制了可以部署的复杂模型和算法。

模型复杂度，边缘设备的存储空间有限，无法容纳大型模型，因此需要将模型进行压缩和优化。同时，也需要在边缘设备上进行模型训练与推理时权衡模型的偏差和方差，以获得适合边缘环境的模型性能。

边缘机器学习包括个人电脑、智能手机和嵌入式系统。因此，嵌入式机器学习，也被称为tinyML，是边缘机器学习的一个子集，专注于在嵌入式系统上运行机器学习算法，例如微控制器和无头单板计算机。

边缘机器学习在不同领域都有广泛的应用。在智能家居中，边缘机器学习可以实现智能家电的联动控制和个性化服务。

自来水设施泄漏检测

利用声学、压力和其他传感器数据及早发现漏水情况，防止长期浪费。

在智能工业中，边缘机器学习可以实现设备监测和故障预测，提高生产效率和设备维护的准确性。

在智能交通领域，边缘机器学习可以实现交通流量监测和智能信号灯控制，优化交通流畅性和减少拥堵。

石头、剪刀、布手势识别模型

Gesture Detection

该模型是在手势检测数据集上训练的Swift YOLO模型，可以识别石头、剪刀、布的手势识别算法。

名称：  手势识别

算法：  Swift-YOLO Power By SSCMA

类别：   目标识别

模型类型：   TFLite

许可证：    MIT

版本：   1.0.0

描述：  该模型是在手势检测数据集上训练的Swift YOLO模型t.

量度：  mAP(9) : 93

   

在XIAOESP32S3 Sense上部署模型

1. 打开SenseCraft AI，地址：（SenseCraft AI (seeed-studio.github.io）

1. Seeed Studio SenseCraft Model Assistant 是一个专注于嵌入式 AI 的开源项目。
2. 针对真实场景优化了 OpenMMLab 的优秀算法，应用界面更加友好，
3. 在嵌入式设备上实现更快、更准确的推理。
4. 可轻松预处理模型数据。

2、准备硬件，安装XIAOESP32S3摄像头扩展板，使用数据线一头连接到XIAOESP32S3开发板，另一头连接到电脑的USB接口上，如下图所示。

3、打开SenseCraft模型助手网站，单击右上角的“连接”按钮，填充串口连接窗口后点击“连接”按钮，如下图所示。

4、当“连接”变成红色的“断开连接”按钮时，表示连接成功了。

5、接着在“可用的AI模型”列表中选择模型，这里选择“Gesture Detection”，然后单击“发送”按钮，如下图所示。

6、等待几秒钟上传成功后，这时会出现摄像头实时预览窗口并推理出结果，如下图所示。

7、推理视频演示