データの準備

学習には目的に合わせたデータの用意とアノテーション（もしくはラベリング）の工程が必要になりますが、これらの作業は非常に工数がかかります。
”Model Composer”では、予めアノテーションされたサンプル用のデータセットが用意されており、アノテーション済のデータセットをインポートすることで、用意の手間を省くこともできます。他にも、PCのローカルファイルやUSBカメラでその場の写真を取り込むことで、さまざまなパターンのデータを用意することができます。ただし、取り込む場合のラベリングはユーザー自身で行う必要がありますので、ご留意ください。
なお、インポート可能なデータセットの形式はCOCOデータセットと似ていますが具体的な構成はこちらをご参考ください。

学習

用意されているモデルに対する推論の精度を向上させたい場合や、目的の推論に合わせて新たな検出対象に対応させたい場合、モデルの再学習や転移学習が必要になります。この時、基本的には最終アプリケーションが求める推論結果の精度、FPS（ここでは推論可能なフレーム数）や結果出力までのレイテンシ、入力可能なイメージサイズ（解像度）に合わせてモデルを選択します。
Model Composerでは、1クリックで簡単に学習を行うことができます。なお、Model Composerで実際に学習を行う場合は、TI社が用意している特定のモデル以外は選択できませんので、ご留意ください。

エッジデバイス用コードへの変換（コンパイル）

学習が完了したモデルをエッジデバイスで実行するためには、特定のデータ形式に変換するコンパイルという作業が必要になります。また、コンパイル時の設定やツールによっては、精度/速度やデータ容量の最適化を行うことができます。一般的にはエッジデバイスの提供元メーカー様が用意しているツール（コンパイラー）を使用するか、オープンソースのツールを使用します。
Model Composerでは、1クリックでコンパイルを行うことができ、精度と推論速度の調整も同時に行うことができます。

エッジデバイスへの実装（デプロイ）

エッジデバイスへの実装には様々な手法がありますが、一般的にはエッジデバイスの提供元メーカー様が用意しているツールを使用します。その後、実動作でのパフォーマンスを検証し、想定動作と異なる場合は、再度学習やコンパイル作業を行う必要があります。
Model Composerでは、手元の評価ボードと接続し、その場ですぐにパフォーマンスを評価することができます。USBカメラに入力した情報の推論結果を確認し、満足する結果が得られない場合、前のフローに戻り再調整を行うことができます。

このようにModel Composerは、データの準備～実装までのフローを１つのアプリでサポートしています。以降では、実際にフローに沿ってModel Composerの使い方を解説していきます。

［Home画面］

“EDGE-AI-STUDIO”にアクセスしたら、“Model Composer”の“Launch“ボタンを押します。
※注意：この時myTIアカウントのログインを求められますので、アカウントを作成してください。

“Model Composer”を開いたら、“Example Project”を選択し、下図のようにセットアップします。

下図の状態で“Example Project”をクリックするとプロジェクトが立ち上がります。

今回は“Classification（画像分類）”を行うデモを確認していきますが、他にも”Detection（物体検知）”、”Segmentation（領域抽出）”を行うことができます。

［Capture画面］

この画面では、学習に使用する画像データを用意します。プロジェクト作成時にサンプルのデータセットを使用することもできますが、自前のデータを使用することもできます。

データを追加したい場合は、GUI右上の“Input Source”を選択し、1枚単位~フォルダ単位、PCカメラ/EVMのUSBカメラから選択してください。

今回は、サンプルデータセットの“animal_classification”をベースに、鳥の画像を追加します。

［Annotate画面］

この画面では学習するデータにラベル付けをする事ができます。

ラベルを追加する前は”dog”と”cat”の選択肢しかありませんが、下図は鳥の画像に”bird”とラベル付けしている例です。

ラベルの種類を増やす場合はGUI右上の赤枠ボタンを選択し、“New Label”に追加してください。

［Model Selection画面］

この画面では、使用するデバイスとモデルを選択することができます。

デバイスはTI社のチップの型番名をプルダウン方式で選択します。

モデルはGUIで用意されているものだけが使用できる形になるため、プルダウン方式で選択します。

今回は下図の様な設定にしましたが、使用するチップ（EVM）のスペックやモデルの仕様が表示されているので、目的に合わせて選択してください。

［Train画面］

この画面では、用意した画像を使用し、モデルの学習を行うことができます。

学習を行う上で、各種パラメータを最適な値に調整することで、推論結果の精度や学習速度を調整することができます。

まずは、”Epochs”や”Batch size”を増やした際の精度の差分を確認できればと思いますが、学習にかかる時間も増加しますのでご留意ください。その他のパラメータについては結果に合わせて微調整して行く形になります。

今回は下図の通りに設定し、“Start Training”で学習を開始した結果です。

（見やすいように画面を2分割しています）

［Compile画面］

この画面では、学習済のモデルをEVM上で実行する為のデータ形式に変換（コンパイル）する事ができます。変換後、アーティファクトが生成され、こちらはEVM上で推論を行う際に使用します。

“Compilation parameters”を調整することで、推論結果の精度と出力するまでの速度を調整することができます。

今回はDefault Presetを使用し、“Start Compiling”でコンパイルを開始した結果です。

（見やすいように画面を2分割しています）

［Live preview画面］

この画面では、学習済のモデルをEVMに書き込み、実機での推論結果を確認する事ができます。

GUI左上の“Device Setup”ボタンを押すことでEVMに繋がっているカメラの映像を出力することが出来ます。

その後、GUI左上の“Start Live Viewing”ボタンを押すことで、EVMへのモデルの書き込みが開始され、カメラに入力された情報に対して推論を実行する事ができます。

今回は、”Classification（分類）”なので、犬、猫、鳥の画像をカメラに入力することで、“dog”、”cat”、”bird”の結果が表示されます。

ちなみに、”Detection（検知）”を行った場合はこちら。

［Deploy画面］

こちらの画面では、学習済のモデルやコンパイル済のモデルアーティファクトをPCのローカルフォルダーに保存する事や、EVMへの書き込みができます。ダウンロードしたファイルを使用して、別のPCへ共有し評価することも可能です。

また、GUI右上の赤枠ボタンを使用することで、現在のプロジェクト自体をExportし、別のPCで再利用することも可能です。