跳到主要内容

KOI可视化模型训练使用指南

1.功能介绍​

预训练图像分类，是Koi2针对硬件人工智能教育推出的升级功能，优化了对电脑摄像头和TF卡的依赖。用户通过软件端的可视化机器学习训练，可一键导出适用于KOI2的模型，最后通过简单的积木或代码，实现完全脱离电脑的边缘侧精准图像分类。

image-20260609165430079

2.功能特点​

接入可视化机器学习插件，数据采集与模型训练直观可见，比需要编程控制的特征分类更适合机器学习的教学。

image-20260609165532689

可直接作为摄像头拍摄照片，无需额外配置电脑摄像头，或提前准备好上传的素材，极大程度地简化了数据采集流程。

image-20260609165603122

优化了过往对TF卡的依赖，训练完成后自动转化成适用于嵌入式的模型，支持一键上传或导出，降低了使用负担。

image-20260609165624876

3. 准备工作​

(1) KOI2固件更新​

将KOI2通电，观察开机动画的右下角，会显示当前的固件版本号，该功能需要v4.2.0及以上版本才可使用。

image-20260609165730414

若当前版本不支持，需更新固件，具体更新步骤如下：

  • 将【项目资料】→【1-准备工作】→【KOI2固件】的压缩包解压
  • 使用Type-C数据线将KOI2连接至电脑USB口
  • 双击打开exe文件（仅支持win）
  • 等待弹窗中的信息不再刷新
  • 重新给KOI2上电，观察版本号

image-20260609165808765

(2) 未来板Lite AI固件更新​

打开未来板LiteAI，在菜单界面中选择【系统设置】→【关于本机】，查看此时的固件版本，版本号对应更新日期。如果版本是“CN：2026-03-24”或是更加新的，则可以直接使用，否则需更新固件。

更新固件的方法如下：

  • 将未来板LiteAI连接电脑并打开电源
  • 按住按键M的同时按一下左下角的复位键
  • 屏幕出现有uf2字样的界面后即可烧录固件
  • 将【项目资料】→【1-准备工作】→【LiteAI固件】里的文件复制
  • 找到FutureAI的盘符并打开，将文件粘贴进去
  • 随后主板的灯光会闪烁，代表升级中
  • 升级完成后主板会自动重启

image-20260609165839703

2. 模型训练与部署​

(1) 功能加载​

通过Kittenblock进入，点击左下角的按钮，在【添加拓展】界面中，选择【角色拓展】并添加其中的【机器学习（可视化）】。随后返回编程界面，在相关插件下点击【模型训练工具】即可选择【图像分类】，Kittenblock跳转链接如下：

https://kblock.kittenbot.cn/

image-20260609165937453

进入后，平台会提示选择模型类型，如果需要在KOI2上运行，请选择【嵌入式图片模型】。如果仅仅想在电脑上运行，则选择【标准图片模型】。

image-20260609170104742

(2) 数据采集与分类​

该功能目前有3种数据采集的方式：第1种是直接使用电脑摄像头完成采集；第2种通过上传文件的方式上传；第3种通过KOI2采集图像。

如果使用KOI2做图像分类，建议直接使用第三种方式进行采集。

image-20260609170259019

使用Type-C数据线将KOI2连接至电脑USB口，在样本中点击【设备】，在弹出的窗口中点击【连接设备】。

image-20260609170339755

image-20260609170358156

在网页的弹窗中选择如下图所示的串行端口，并且点击连接。

image-20260609170437637

连接完成后会在下方会显示实时画面。此时调整好角度，点击下方的【拍照】即可采集数据。

注意：由于硬件底层的限制，硬件每隔一定时间传输一帧画面，所以实时画面会稍显卡顿，这是正常现象，使用时保持耐心即可。

将鼠标悬浮在拍摄的素材上，会出现一个 X 点击即可删除。

image-20260609171050498

注意：每拍摄一张图片，将物品微调一下位置，确保每一张图片的位置均有所不同，增加样本的多样性从而增加识别成功率。同时，准备一个空样本，即什么都没有识别到的情况，避免在模型没有识别到特定物品时，随机返回一个识别结果。

(3) 模型训练​

用同样的方法录入需要识别的样本，完成后点击【训练模型】，系统将利用本地算力（CPU/GPU）进行实时的特征提取与参数调优。模型通过反复迭代优化，在后台构建出一套专属的分类逻辑，确保能够快速、准确地识别您定义的各种类别。点击【数据图表】，可以查看学习数据。

  • Epochs（周期数）：模型完整查看一遍所有数据的次数。
  • Batch Size（批次大小）：每次学习时处理的数据量。
  • Learning Rate（学习率）：模型在每次更新参数时步进的幅度。

image-20260609171228287

当模型训练完成后，右侧可以看到模型测试的窗口。默认情况下是调用电脑摄像头，此时可能会弹出报错，该报错无需理会，直接在输入的下拉窗中选择【串口摄像头】。

image-20260609171351368

在该窗口中，可以观察到实时画面、识别的标签以及可信度。在这里进行简单测试，观察模型的识别成功率。

  • 反馈：模型会给出一个置信度评分（例如：标签1，90%）。
  • 调优：如果识别错了，你需要检查是不是数据量不够，或者角度变化不够。

image-20260609171931048

(4) 模型部署​

模型测试完成后，先把连接KOI2和电脑的线拔下，然后再重新接上（该步骤目前必须完成，否则无法把模型下载到KOI2内部）。

点击【下载模型】，随后会进入模型转化的界面，该界面需要等待片刻（一般不到一分钟）。

image-20260609172003242

转化完成后，点击【上传到设备】，完成后，弹窗中会有下载完成的提示。

image-20260609172122606

KOI2的屏幕也会有实时的进度。

image-20260609172157381

3. 编程应用​

将连接KOI2的Type-C线连接到未来板Lite AI版上，返回Kittenblock编程界面，点击上方的【连接硬件】，选择【未来板Lite AI版】并连接，随后再连接COM口。

image-20260609172251189

点击左下角的【添加扩展】图标，在【硬件拓展】中选择并添加【KOI2】扩展。

image-20260609172311908

配置KOI2模块的串口、选择【预训练图像分类】、从KOI2内部加载模型以及选择摄像头的方向。

image-20260609172339273

循环更新KOI2模型数据，判断当前识别到的图像分类模型的ID。

image-20260609172410664

注意：ID从0开始，按照顺序返回0、1、2、3等，对应图像分类中从上至下的顺序。

image-20260609172520922

程序编写结束后，点击图示界面右上角的“上传”图标，点击上传。上传成功后，将未来板Lite AI版重启就可以开始使用了！

image-20260609172603781

image-20260609172539552