前言
最近筆者拿到VIA Pixetto視覺感測器(以下通稱Pixetto)，這個功能完整、1080P FULL HD 的AI鏡頭，除了本身可以辨識顏色、人臉、形狀及手寫辨識…..等等的視覺辨識，還可以搭配 Tensorflow Lite 框架來做更進一步的應用，如果透過 Grove 接頭或正確接線的話，當然也可以和Arduino 這種開發板來溝通。不管是第一次踏入機器學習的初學者，或想要做進階的視覺辨識專案的創作者，我認為Pixetto都顧及到了，可謂是面面俱到！
硬體正反面照片(規格表請按我)
既然Pixetto可以匯入Tensorflow Lite，筆者就想到我們最熟悉的好工具 — Google Teachable Machine 網頁，讓初學者無須編寫任何程式碼就能訓練出視覺辨識、聲音辨識與人體姿勢辨識的神經網路模型，並可以了解機器學習的架構的原理為何，也可以使初學者快速完成自己的專案喔！
| 撰寫/攝影 | 許鈺莨 | ||
| 時間 | 1小時 | 材料表 |
|
| 難度 | 2 （滿分5） | ||
本文
筆者在實際把玩 Pixetto 的過程中，發現它可以匯入由 Google Teachable Machine 網頁所匯出的 Tensorflow lite (.tflite) 神經網路模型檔案，於是就寫了這篇教學文囉！以下操作分成三大部分，「安裝Pixetto軟體套件」、「Teachable machine網頁訓練模型」與「將Teachable machine網站的tflite檔匯入Pixetto視覺感測器工具」中。
安裝Pixetto軟體套件
在使用 Pixetto 這款 AI 鏡頭之前，需要有些前置作業，請按照以下步驟操作：
步驟1. 下載Pixetto軟體套件
請由 VIA 原廠下載相關軟體，點選本連結下載。
步驟2. 安裝Pixetto軟體套件
請依照預設設定安裝軟體完成，途中可能需要重新啟動電腦。
步驟3. 開啟 Pixetto Studio 介面
安裝完畢後，在桌面上會出現 Pixetto Startup 的 icon，點兩下滑鼠左鍵就會出現 Pixetto Studio 介面，此時先進行下一步硬體操作。
步驟4. 將Pixetto透過USB2.0傳輸線連接至電腦
步驟5. 初始化完成
Pixetto的綠色、藍色和紅色LED亮起，代表視覺感測器已經初始化完畢，可 以使用了。別忘了把將鏡頭上蓋打開。
步驟6. Pixetto 視覺感測器工具介面
回到步驟3，在Pixetto Studio介面中，按下Pixetto Utility，就會出現Pixetto 視覺感測器工具的介面，若有看見鏡頭畫面，便設定完成。請注意在此要先關閉程式，因為後續在 Google Teachable Machine 也會去抓 Pixetto 鏡頭畫面。需要先情關閉否則會看不到畫面。
以上步驟可以在Pixetto 網站找到詳細說明，按此連結下載 。
使用 Google Teachable Machine 網頁訓練模型
雖然在Pixetto軟體套件已經可以自行辨識顏色、形狀、人臉….等等的功能，但如果要自定義某種特定類別的標籤已符合自己專案的話，還是需要透過撰寫Python程式，來匯入Pixetto軟體套件中，因此Teachable machine就可以針對初學者不需寫程式，也可以操作囉。
由於有關Teachable machine的細節操作，其他部落格已有很多的相關說明，有興趣的讀者請參考我們先前寫好的相關文章。本篇只是約略說明訓練模型的操作過程，以下分成幾個步驟講解:
步驟1.找到Pixetto的鏡頭名稱
使用 USB 傳輸線把 Pixetto 接上電腦之後，就可以在 Windows 電腦的裝置管理員中🡪相機，找到UVC Camera，這就是Pixetto的鏡頭名稱。
步驟2. 在Teachable machine網頁中，得到Pixetto鏡頭的畫面
在收集圖片資料的過程中，除了可以上網搜尋圖片之外，最快速的方法就是使用鏡頭拍照。在Google Teachable Machine網站中新增一個影像分類專案，點選Webcam，在下拉式選單中點選UVC Camera，就可以看到 Pixetto 鏡頭畫面。
(注意:需先將Pixetto視覺感測器工具的介面關閉，不然會占用資源而無法在Teachable machine網頁中使用)
步驟3. 收集圖片資料
本文收集了四種類別，分別是Keychain、LinkIt7697、Raspberry Pi 與 Other，以下展示這四個類別的步驟。
3-1 收集第一個類別Keychain圖片
將標籤改成Keychain後，按下Hold to Record即可拍照收集，以不超過50張為主，其它三個類別的張數也是一樣。
3-2 收集第二個類別LinkIt7697圖片
重複步驟3-1，或選用你想要辨識的物體。
3-3收集第三個類別Raspberry Pi圖片
重複步驟3-1，或選用你想要辨識的物體。
3-4收集第四個類別Other圖片
重複步驟3-1。第四個類別是屬於反指標，也就是辨識Keychain、LinkIt7697、Raspberry Pi類別以外的情形。
步驟4. 下載專案tm檔
Google Teachable Machine 的專案檔，副檔名是 tm。當讀者四種類別收集完資料後，若日後想再新增類別，可不必從頭再做一次，只需要按下Download project as file，即可將目前收集資料的進度保存至電腦；日後使用相同帳號，點選Open project from file 就能從上次進度繼續。
步驟5. 訓練模型
確定以上四個類別圖片都收集完畢後，接著要開始訓練模型，按下 Train Model，網頁就會開始訓練模型。
步驟6. 在網站上推論
模型訓練完畢，可以在網頁直接進行推論，測試視覺辨識是否準確，若測試結果覺得不錯的話，可直接下載模型檔。
步驟7. 關閉鏡頭
這是非常重要的步驟，原因和上述一樣，如果沒有在 Teachable Machine 關閉鏡頭的話，等等在 Pixetto 視覺感測器工具中正確開啟攝影機畫面。請把 Input 處切到 OFF 即可關閉Pixetto鏡頭畫面。
步驟8. 匯出 tensroflow lite 模型檔
滿意訓練結果嗎？按下右上角的 Export Model。於跳出的視窗中依序點選 Tensorflow Lite🡪Quantized🡪Download
my model，過幾分鐘後就會有模型的壓縮檔匯出提示可供下載。
步驟9. 解壓縮模型檔
將下載下來的模型檔解壓縮，開啟資料夾後，可以看到模型檔 model.tflite 和標籤檔 label.txt。請開啟標籤檔，來看看當初在Teachable machine網頁收集資料的順序，這個步驟後續會用到。
將Teachable machine網站的tflite檔匯入Pixetto視覺感測器工具中
步驟1. 匯入tflite模型檔
接續第一階段安裝Pixetto軟體套件的步驟6，開啟Pixetto視覺感測器工具的介面後，點選模型路徑框🡪找到model.tflite模型檔🡪按確認，即可匯入。
步驟2. 標籤編輯
在工具🡪標籤編輯選擇之後，右邊欄位會顯示索引和文字，依序對應索引及文字，例如索引 0 輸入文字 Keychain、索引1輸入文字LinkIt7697…以此類推。若忘記對應名稱，請回顧上述第二階段在Teachable machine網頁訓練模型的步驟9。
成果展示
一切設定完成後，接下來就來看執行成果吧，首先是第一類別Keychain的辨識結果。
綠框是感興趣區域 (ROI，Region of Interest)，也就是鏡頭會辨識綠框區域內的物件。不過在辨識Keychain時需要靠近鏡頭近一點辨識才會準確，辨識率可以高達85%以上。值得一提的是，Keychain的另一面是光滑金屬面，容易反光而辨識錯誤。
其他類別的辨識結果如下說明:
- LinkIt7697也是需要靠近鏡頭辨識才會準確，辨識率可以高達95%以上。
- Raspberry Pi的辨識率是最高的，因為體積大，所以很容易辨識率100%。
- Other的辨識率也是不錯，也有達85%以上。
本文實作就到此告一段落，歡迎各位讀者可以在下方的留言區，聊聊你們做了甚麼專題吧，我們下篇部落格見！
