使用Wio Terminal和Tensorflow Lite創(chuàng)建智能氣象站

描述

Dmitry Maslov 在 Seeed 工作室博客上的原創(chuàng)文章。

在今天的文章中，我們將使用用于微控制器的 Wio Terminal 和 Tensorflow Lite 創(chuàng)建一個智能氣象站，能夠根據(jù) BME280 環(huán)境傳感器的本地數(shù)據(jù)預(yù)測未來 24 小時的天氣和降水。

?

。

我將告訴你如何應(yīng)用模型優(yōu)化技術(shù)，這不僅可以運行中型卷積神經(jīng)網(wǎng)絡(luò)，還可以讓這個時尚的 GUI 和 WiFi 連接在同一時間同時運行數(shù)天和數(shù)月！

2022 年 3 月 29 日更新。我盡我所能定期更新我的文章，并根據(jù)您在 YouTube/Hackster 評論部分的反饋。如果您想表達對這些努力的支持和贊賞，請考慮給我買杯咖啡（或披薩）:) 。

這是最終結(jié)果，您可以看到屏幕上顯示當(dāng)前溫度、濕度和大氣壓力值，以及城市名稱、預(yù)測天氣類型和預(yù)測降水機會——屏幕底部有一個日志輸出字段，您可以輕松地將其重新用于顯示極端天氣信息、人工智能笑話或來自我的推文。 雖然它看起來不錯且有用，但您可以自己添加很多東西 - 例如上面提到的屏幕上的新聞/推文輸出或使用深度睡眠模式來節(jié)省能源并使其由電池供電等等。

這個項目擴展了我的同事Jonathan Tan的一篇關(guān)于天氣預(yù)報的文章。最值得注意的是，我們將從該文章中的基本實現(xiàn)中改進一些內(nèi)容：

• 我們將使用 BME280 傳感器，它可以用來獲取大氣壓力信息，以及溫度和濕度。
• 原始項目中的神經(jīng)網(wǎng)絡(luò)模型經(jīng)過訓(xùn)練，可以根據(jù)前 3 小時的數(shù)據(jù)點預(yù)測下半小時的天氣，每半小時測量一次。所以，它更像是一個天氣描述符，而不是一個真正的天氣預(yù)報。我們將利用更先進的數(shù)據(jù)處理和模型架構(gòu)，根據(jù)之前 24 小時的測量結(jié)果預(yù)測未來 24 小時的天氣類型和降水機會。
• 我們還將利用模型優(yōu)化，這將使我們能夠獲得更小的模型并在 Wio Terminal 內(nèi)存中容納更多的東西，例如，Web 服務(wù)器和帶有暗/亮材質(zhì)主題的漂亮 LVGL 界面。

數(shù)據(jù)處理和模型訓(xùn)練

那么，我們從哪里開始呢？當(dāng)然，這一切都始于數(shù)據(jù)。在本教程中，我們將使用來自 Kaggle 的現(xiàn)成天氣數(shù)據(jù)集，歷史每小時天氣數(shù)據(jù) 2012-2017。 我住在深圳，中國南方的一個城市——數(shù)據(jù)集中沒有那個城市，所以我選擇了一個緯度相近，也屬于亞熱帶氣候的城市——邁阿密。

?

你需要選擇一個至少與你居住的氣候相似的城市——不用說，這個模型在邁阿密的數(shù)據(jù)上進行了訓(xùn)練，然后在冬天部署到芝加哥，這將是 Confused Beyond All Reason。

新驗證碼的好主意

?

對于數(shù)據(jù)處理和模型訓(xùn)練步驟，讓我們打開我為這個項目在 Github 存儲庫中準備和共享的 Colab Notebook 。

準備環(huán)境

獲得訓(xùn)練好的模型后，就可以將其部署到 Wio Terminal。

如果你在 Windows 上制作這個項目，你需要做的第一件事是下載 Arduino IDE 的夜間版本，因為當(dāng)前穩(wěn)定版本 1.18.3 不會編譯具有大量庫依賴項的草圖（問題是鏈接器命令編譯期間超過 Windows 上的最大長度）。

編輯 2021 年 10 月：如果您為 Wio 終端使用 1.8.2 板定義，則無需替換 cmsis_gcc.h。這也是 TC3 定時器庫正常運行所必需的。

其次，您需要將 cmsis_gcc.h 文件的內(nèi)容替換為較新的版本，以避免`__SXTB16_RORn`未定義。您將在此項目的 Github 存儲庫中找到該文件的較新版本。然后只需將其復(fù)制到C:\Users\[your_user_name]\AppData\Local\Arduino15\packages\Seeeduino\tools\CMSIS\5.4.0\CMSIS\Core\IncludeWindows 和/home/[your_user_name]/.arduino15/packages/Seeeduino/tools/CMSIS/5.4.0/CMSIS/Core/IncludeLinux 上。

最后，由于我們使用卷積神經(jīng)網(wǎng)絡(luò)并使用 Keras API 構(gòu)建它，它包含當(dāng)前穩(wěn)定版本的 Tensorflow Micro 不支持的操作。瀏覽 Github 上的 Tensorflow 問題，我發(fā)現(xiàn)有一個拉取請求將此操作（EXPAND_DIMS）添加到可用操作列表中，但在撰寫本文時它沒有合并到 master 中。因此，您需要做的（2021 年 10 月編輯）是執(zhí)行

git clone https://github.com/tensorflow/tflite-micro-arduino-examples Arduino_TensorFlowLite

在您的 Arduino 草圖/庫文件夾中。您可以在TensorFlow Lite Micro Library for Arduino 存儲庫中找到有關(guān)安裝最新開發(fā)版本庫的更多詳細信息。

使用虛擬數(shù)據(jù)進行測試

完成后，創(chuàng)建一個空草圖并保存。然后將您訓(xùn)練的模型復(fù)制到草圖文件夾并重新打開草圖。將模型和模型長度的變量名稱更改為更短的名稱。然后使用 wio_terminal_tfmicro_weather_prediction_static.ino 中的代碼進行測試：

讓我們回顧一下我們在 C++ 代碼中的主要步驟

我們包含了 Tensorflow 庫的頭文件和帶有模型 flatbuffer 的文件

#include 
//#include "tensorflow/lite/micro/micro_mutable_op_resolver.h"
#include "tensorflow/lite/micro/all_ops_resolver.h"
#include "tensorflow/lite/micro/micro_error_reporter.h"
#include "tensorflow/lite/micro/system_setup.h"
#include "tensorflow/lite/micro/micro_interpreter.h"
#include "tensorflow/lite/schema/schema_generated.h"

#include "model_Conv1D.h"

請注意我如何注釋掉 micro_mutable_op_resolver.h 并啟用 all_ops_resolver.h – all_ops_resolver.h 標頭編譯了 Tensorflow Micro 中當(dāng)前存在的所有操作并且便于測試，但是一旦完成測試，最好切換到 micro_mutable_op_resolver.h 以保存設(shè)備內(nèi)存——它確實有很大的不同。

接下來我們定義錯誤報告器、模型、輸入和輸出張量和解釋器的指針。注意我們的模型有兩個輸出——一個是降水量，另一個是天氣類型。我們還定義了 tensor arena，您可以將其視為一個草稿板，用于保存輸入、輸出和中間數(shù)組——所需的大小取決于您使用的模型，并且可能需要通過實驗來確定。

// Globals, used for compatibility with Arduino-style sketches.
namespace {
tflite::ErrorReporter* error_reporter = nullptr;
const tflite::Model* model = nullptr;
tflite::MicroInterpreter* interpreter = nullptr;
TfLiteTensor* input = nullptr;
TfLiteTensor* output_type = nullptr;
TfLiteTensor* output_precip = nullptr;

constexpr int kTensorArenaSize = 1024*25;
uint8_t tensor_arena[kTensorArenaSize];
}  // namespace

然后在 setup 函數(shù)中，有更多樣板文件，例如實例化錯誤報告器、操作解析器、解釋器、映射模型、分配張量以及最后檢查分配后的張量形狀。如果當(dāng)前版本的 Tensorflow Micro 庫不支持某些模型操作，則代碼可能會在運行時拋出錯誤。如果您有不受支持的操作，您可以更改模型架構(gòu)或自己添加對操作員的支持，通常是從 Tensorflow Lite 移植它。

void setup() {
  Serial.begin(115200);
  while (!Serial) {delay(10);}
  
  // Set up logging. Google style is to avoid globals or statics because of
  // lifetime uncertainty, but since this has a trivial destructor it's okay.
  // NOLINTNEXTLINE(runtime-global-variables)
  static tflite::MicroErrorReporter micro_error_reporter;
  error_reporter = μ_error_reporter;

  // Map the model into a usable data structure. This doesn't involve any
  // copying or parsing, it's a very lightweight operation.
  model = tflite::GetModel(Conv1D_tflite);
  if (model->version() != TFLITE_SCHEMA_VERSION) {
    TF_LITE_REPORT_ERROR(error_reporter,
                         "Model provided is schema version %d not equal "
                         "to supported version %d.",
                         model->version(), TFLITE_SCHEMA_VERSION);
    return;
  }

  // This pulls in all the operation implementations we need.
  // NOLINTNEXTLINE(runtime-global-variables)
  //static tflite::MicroMutableOpResolver<1> resolver;
  static tflite::AllOpsResolver resolver;
  // Build an interpreter to run the model with.
  static tflite::MicroInterpreter static_interpreter(model, resolver, tensor_arena, kTensorArenaSize, error_reporter);
  interpreter = &static_interpreter;

  // Allocate memory from the tensor_arena for the model's tensors.
  TfLiteStatus allocate_status = interpreter->AllocateTensors();
  if (allocate_status != kTfLiteOk) {
    TF_LITE_REPORT_ERROR(error_reporter, "AllocateTensors() failed");
    return;
  }

  // Obtain pointers to the model's input and output tensors.
  input = interpreter->input(0);
  output_type = interpreter->output(1);
  output_precip = interpreter->output(0);
  
  Serial.println(input->dims->size);
  Serial.println(input->dims->data[1]);
  Serial.println(input->dims->data[2]);
  Serial.println(input->type);

  Serial.println(output_type->dims->size);
  Serial.println(output_type->dims->data[1]);
  Serial.println(output_type->type);

  Serial.println(output_precip->dims->size);
  Serial.println(output_precip->dims->data[1]);
  Serial.println(output_precip->type);
}

最后，在循環(huán)函數(shù)中，我們?yōu)榱炕?INT8 值和浮點值數(shù)組定義了一個占位符，您可以從 Colab 筆記本復(fù)制粘貼，以比較設(shè)備上的模型推理與 Colab 中的模型推理。

void loop() {

  int8_t x_quantized[72];
  float x[72] = {0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
       0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
       0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
       0, 0, 0, 0, 0, 0};

我們在 for 循環(huán)中將浮點值量化為 INT8，并將它們一一放入輸入張量中：

for (byte i = 0; i < 72; i = i + 1) {
        input->data.int8[i] = x[i] / input->params.scale + input->params.zero_point;
  }

然后由 Tensorflow Micro 解釋器執(zhí)行推理，如果沒有報告錯誤，則將值放置在輸出張量中。

// Run inference, and report any error
  TfLiteStatus invoke_status = interpreter->Invoke();
  
  if (invoke_status != kTfLiteOk) {
    TF_LITE_REPORT_ERROR(error_reporter, "Invoke failed");
    return;
  }

與輸入類似，模型的輸出也是量化的，所以我們需要進行逆運算，將其從INT8轉(zhuǎn)換為float。

// Obtain the quantized output from model's output tensor
  float y_type[4];

  // Dequantize the output from integer to floating-point
  int8_t y_precip_q = output_precip->data.int8[0];
  Serial.println(y_precip_q);
  float y_precip = (y_precip_q - output_precip->params.zero_point) * output_precip->params.scale;  
  Serial.print("Precip: ");
  Serial.print(y_precip);
  Serial.print("\t");
  Serial.print("Type: ");
  for (byte i = 0; i < 4; i = i + 1) {
    y_type[i] = (output_type->data.int8[i] - output_type->params.zero_point) * output_type->params.scale;
    Serial.print(y_type[i]);
    Serial.print(" ");
  }
  Serial.print("\n");
}

檢查并比較同一數(shù)據(jù)點的值，對于 Colab 筆記本中的量化 Tensorflow Lite 模型和在 Wio 終端上運行的 Tensorflow Micro 模型，它們應(yīng)該相同。

探索并嘗試完整版的草圖

涼爽的！所以它確實有效，現(xiàn)在下一步是將其從演示變成實際有用的項目。從 Seeed Arduino 速寫本存儲庫打開速寫并查看其內(nèi)容。

我將代碼分為主草圖、get_historical_data 和 GUI 部分。由于我們的模型需要過去 24 小時的數(shù)據(jù)，我們需要等待 24 小時才能執(zhí)行第一次推理，這需要很多時間——為了解決這個問題，我們從 openweathermap.com API 獲取過去 24 小時的天氣，并且可以執(zhí)行第一次推理設(shè)備啟動后立即推斷，然后用連接到 Wio 終端 I2C Grove 插座的 BME280 傳感器的溫度、濕度和壓力替換循環(huán)緩沖區(qū)中的值。對于 GUI，我使用了 LVGL，一個小巧而多功能的圖形庫——它也是一個快速發(fā)展的項目，使用它并不容易，但它的功能非常值得！

?

按照 Github 存儲庫中的說明安裝必要的庫并配置 LVGL 以運行演示。

直到下一次！