reTerminal로 실습 머신러닝: Edge Impulse & ARM NN 데모 가이드

8GB RAM, 32GB eMMC 라즈베리 파이 CM 개발 보드에 5인치 터치스크린과 풍부한 인터페이스 탑재.

시작하며

이전 포스트들은 Cortex-M4F 보드인 Wio Terminal에서의 TinyML을 탐구했습니다. Seeed Studio가 이제 reTerminal로 개념을 확장했습니다. 라즈베리 파이 4 컴퓨트 모듈 기반 보드에 통합 디스플레이 탑재.

reTerminal을 언박싱하고 짧은 데모 영상 녹화, 이 동반 기사로 환경 설정과 머신러닝 데모 안내.

사양

reTerminal은 쿼드 코어 Cortex-A72 CPU 1.5GHz, 4GB RAM, 32GB eMMC 저장소를 탑재한 라즈베리 파이 컴퓨트 모듈 4로 구동. 이 사양으로 빠른 부팅과 반응형 사용자 경험 제공. 5인치 IPS 정전식 터치 디스플레이는 1280×720 해상도, 내장 주변장치로는 가속도계, 실시간 시계, 부저, 4개 촉각 버튼, 4개 상태 LED, 조도 센서 포함. 연결 옵션으로 듀얼 밴드 2.4GHz/5GHz Wi-Fi, Bluetooth 5.0 BLE, 기가비트 이더넷 포트.

전원 요구사항은 라즈베리 파이 4와 동일: 표준 5V/2A 어댑터면 충분하지만, 추가 주변장치 연결 시 최대 안정성을 위해 제조사는 5V/4A 권장. 데모에서 5V/2A 어댑터도 안정 작동했으나, 5V/4A 장치로 신중하게 선택 권장.

보드는 필요한 모든 드라이버가 사전 로드된 32비트 Raspbian OS와 함께 제공. 머신러닝 워크로드용으로 Seeed Studio가 제공하는 64비트 Raspbian 이미지가 눈에 띄는 성능 향상 제공.

터치스크린의 화상 키보드는 텍스트 입력 시 자동 나타나며 설정에서 비활성화 가능. Raspbian이 모바일 최적화 OS는 아니지만, 큰 UI 요소에는 사용 가능. 더 터치 친화적 경험 원하면 Ubuntu Touch 같은 실험적 OS 옵션 탐색 고려.

샘플 QT 애플리케이션 실행으로 보드의 센서 데이터 표시와 제어 인터페이스 능력 시연. 적절히 크기 조정된 터치 타겟으로 5인치 화면이 매우 반응적임 입증.

Edge Impulse 객체 탐지

Edge Impulse의 새로운 리눅스 배포 지원으로 reTerminal에서 직접 모델 훈련 및 실행 가능. 연결된 카메라로 이미지 캡처, 클라우드에서 모델 훈련, edge-impulse-linux-runner로 로컬 배포.

설치는 간단:

curl -sL https://deb.nodesource.com/setup_12.x | sudo bash -
sudo apt install -y gcc g++ make build-essential nodejs sox gstreamer1.0-tools gstreamer1.0-plugins-good gstreamer1.0-plugins-base gstreamer1.0-plugins-base-apps
npm config set user root && sudo npm install edge-impulse-linux -g --unsafe-perm

Edge Impulse CLI 설치 후 카메라 연결 - 예: USB 웹캠. 라즈베리 파이 카메라 모듈 선호 시 raspi-config로 활성화.

데이터 수집 전 프로젝트의 Dashboard > Project info > Labeling method가 Bounding boxes (object detection)로 설정되었는지 확인. 클래스당 최소 100장 이미지 캡처. 원본 이미지 업로드 가능하나 어노테이션은 Data Acquisition 탭에서 수동 수행.

데이터 수집 및 라벨링 후 Image 처리 블록과 Object Detection (Images) 학습 블록 선택으로 임펄스 생성. 보통 데이터셋으론 큰 네트워크를 처음부터 훈련시킬 수 없어 사전 훈련된 MobileNetV2-SSD 백본 파인튜닝. 에포크, 학습률, 신뢰도 임계값 기본값 일반적으로 충분; 탐지 파이프라인이 Expert 모드에 노출되지 않아 파라미터 고정.

훈련은 CPU에서 실행되며 데이터셋 크기에 따라 시간 소요. 이 시간 동안 음료 한 잔 권장.

훈련 완료 후 edge-impulse-linux-runner 실행으로 모델 다운로드 및 라이브 추론 시작:

edge-impulse-linux-runner

러너가 자동으로 모델 준비하고 브라우저로 결과 스트리밍. 터미널에 다음 같은 줄 표시:

카메라 피드와 라이브 분류를 브라우저에서 보고 싶나요? https://192.168.1.19:4912로 이동

링크 클릭으로 라이브 카메라 피드와 추론 출력 확인. MobileNetV2-SSD 백본이 약 2FPS(프레임당 ~400ms) 전달. 추론이 매 프레임 수행되지 않아 객체 사라진 후 바운딩 박스 잠시 지속될 수 있음.

Edge Impulse의 리눅스 지원은 아직 진화 중이므로 향후 지속적인 성능 개선과 더 매끄러운 데이터 업로드 워크플로 기대.

ARM NN 가속 추론

라즈베리 파이 4에 전용 ML 가속기 없지만 다음으로 실시간 추론률 초과 가능:

• 가벼운 추론 모드 선택.
• 모든 4개 CPU 코어와 ARM NEON SIMD 확장으로 병렬 처리 활용.

NEON에 최적화된 ARM NN 런타임이 모델을 고효율 커널로 컴파일하여 성능 추가 향상.

출처: reTerminal Machine Learning Demos (Edge Impulse and Arm NN)