โคตรตึง! จับโมเดล AI ภาพ+ภาษา (VLM) มารันออฟไลน์บนบอร์ด Arduino UNO Q

สวัสดีชาว Maker สาย AI ทุกคนครับ! 🚀 พักหลังมานี้วงการ Edge AI ไปไวมาก ปกติถ้าเราอยากให้คอมพิวเตอร์แยกว่าอันไหนคือขวด อันไหนคือกระป๋อง เราก็แค่เทรนโมเดล Object Detection บ้านๆ ขึ้นมาตัวนึงก็จบใช่ไหมครับ? แต่ปัญหาคือ... AI แบบนี้มันจะ "ทึ่ม" ครับ! ถ้ามันเจอของที่คล้ายกันหรือแสงเพี้ยนนิดหน่อย มันก็อาจจะทายผิดได้ง่ายๆ เลย

วันนี้เราเลยขอพาไปดูความ "หาทำ" ขั้นสุด! กับการจับเอาโมเดล VLM (Vision-Language Model) หรือโมเดล AI ที่ทั้ง "มองเห็นภาพและเข้าใจภาษา" มารันแบบ Local (ออฟไลน์ไม่ง้อเน็ต) บนบอร์ด Arduino UNO Q เพื่อทำให้บอร์ดสามารถอธิบายบริบทของภาพได้อย่างฉลาดล้ำลึก เช่น "นี่คือกระป๋อง Red Bull นะ ไม่ใช่กระป๋องเบียร์!" เป็นต้นครับ!

ทำงานคู่กัน (Cascading) เพื่อความฉลาดคูณสอง 🧠

คอนเซปต์ของโปรเจกต์นี้คือการทำงานแบบต่อยอด (Cascading) โดยใช้ AI สองตัวทำงานร่วมกันครับ:

1. ด่านแรก (TinyML): ใช้โมเดล FOMO (Fast Objects, More Objects) ที่ผ่านการเทรนบน Edge Impulse ให้คอยสแกนภาพจากกล้องเว็บแคมตลอดเวลาเพื่อมองหา "ขวดเบียร์" หรือ "กระป๋องโซดา" (กระบวนการนี้กินเวลาน้อยและไม่เปลืองทรัพยากรบอร์ด)
2. ด่านสอง (VLM): เมื่อโมเดล FOMO ตรวจเจอ "ขวดเบียร์" เข้าตาข่ายปุ๊บ ระบบจะแคปเจอร์เฟรมภาพนั้น แล้วส่งต่อไปให้โมเดล VLM (SmolVLM-500M) ที่รันอยู่บนบอร์ดช่วยวิเคราะห์เจาะลึก เพื่ออธิบายบริบทเพิ่มเติมและคัดกรองว่าภาพที่เห็นมันคือเบียร์ยี่ห้ออะไรกันแน่ หรือเป็นแค่กระป๋องโซดาที่หน้าตาคล้ายเบียร์ (False positive)

อยากรันบ้าง ต้องเตรียมอะไร? 🛠️

สิ่งที่คุณต้องมีคือบอร์ด Arduino UNO Q (รุ่น RAM 2GB หรือ 4GB), USB-C Hub แบบมีช่องต่อไฟเลี้ยง (Power Delivery), กล้อง WebCam และซอฟต์แวร์ Arduino App Lab ซึ่งเป็นซอฟต์แวร์ตัวใหม่ที่ให้คุณลากวางโมดูล (Bricks) มาต่อกันเป็นแอปพลิเคชันได้ง่ายๆ

โดยขั้นตอนคร่าวๆ คือ เราจะโหลด โมเดล.eim (Edge impulse model) และโหลดซอร์สโค้ด โปรเจกต์ (Object-detection-and-vlm-description) ไปใส่ในเครื่อง Arduino UNO Q ผ่านระบบ SSH จากนั้นก็สั่งรันผ่าน Arduino App Lab ระบบก็จะเปิด Web UI บนเบราว์เซอร์ให้เราดูภาพสดๆ ได้เลยครับ!

การจัดเตรียมฮาร์ดแวร์ 🔌

การต่อบอร์ดเข้ากับ USB Hub เพื่อเลี้ยงไฟและพ่วงกล้อง WebCam

การตั้งค่าบน Edge Impulse Studio ☁️

โคลนโปรเจกต์ต้นแบบจาก Edge Impulse แล้วตั้งค่า Target Device เป็น Arduino UNO Q เพื่อให้ได้ผลลัพธ์ Inference Time ไวปรี๊ดเพียง 6ms

ตัวอย่างโค้ด: การคอนฟิกโมเดลลงบอร์ด (model.yaml) 💻

หลังจากโยนโมเดลลงบอร์ดแล้ว ต้องสร้างไฟล์ .yaml เพื่อบอกให้ Arduino App Lab รู้จักและเรียกใช้งานให้ถูกผ่านระบบ Docker ครับ:

Copy Code

id: "ei-model-1000170-1"
name: "Object detection with FOMO - Bottles vs. cans"
runner: "brick"
description: "manually deployed edge impulse model"
bricks:
- id: "arduino:video_object_detection"
  model_configuration:
    EI_V_OBJ_DETECTION_MODEL: "/home/arduino/.arduino-bricks/ei-models/model.eim"
- id: "arduino:object_detection"
  model_configuration:
    EI_V_OBJ_DETECTION_MODEL: "/home/arduino/.arduino-bricks/ei-models/model.eim"
      

หน้าจอควบคุม Web UI และผลลัพธ์การวิเคราะห์ VLM 🖥️

ภาพซ้าย: ระบบตรวจจับเจอขวดเบียร์และรายงานผลผ่าน VLM / ภาพขวา: การใช้ VLM แก้เกม (False Positives) โดยบอกว่า "นั่นไม่ใช่เบียร์ มันคือเครื่องดื่มชูกำลังต่างหากล่ะ!"