- はじめに**
アドバンテックのAOM-2721は、オープンスタンダードモジュール（OSM）であり、具体的にはOSM 1.1フォームファクタを採用したコンピュータオンモジュールです。コンパクトで統合されたコンピューティングプラットフォームとして設計されており、特に組み込みアプリケーションやエッジAIに適しています。
2. 前提条件
ハードウェア：
・Qualcomm Dragonwing™ QCS6490搭載のAOM-2721 OSM開発キット
・Qualcomm 8コアKryo CPU（最大2.7GHz）
・12 TOPSのAI機能を備えたHexagon™ Tensor Processor
・Adreno VPU 633（4K30エンコード/4K60デコード、H.264/265対応）
・Adreno GPU 643（OpenGL ES3.2/OpenCL 2.0対応）
・オンボード8GB LPDDR5メモリ（8533MT/s）
・オンボード128GB UFS + 128GB eMMCストレージ
・主なI/Oインターフェース：HDMI（1920 x 1080 @60Hz）×1、DP（1920 x 1080 @60Hz）
×1、4LAN MIPI-CSI×2、USB×1 3.2 Gen1、PCIe Gen3 x1 x 2、PCIe Gen3 x2 x 1、GbE x 2
・16GB RAMと350GBストレージを搭載したx86開発マシン1台
・フルHD HDMIモニター1台とHDMIケーブル1本
・USBマウスとキーボードセット1組
ソフトウェア：
・Yocto OSのインストール（Ubuntuホストマシン経由）
・AOM-2721上でのAIランタイムのセットアップ
3. エッジインパルス設計
ステップ1：[実験]ページに移動し、[新しいインパルスを作成]をクリックして新しいインパルスフローを作成する準備をします。
ステップ2：インパルス設定ページで、後続の画像処理と学習の基礎となる入力画像サイズ（416x416）とリサイズモードを設定します。
ステップ3：インパルスに「処理ブロック」を追加し、画像モジュールを選択して画像の前処理と正規化を行います。
ステップ4：インパルス構成は、左側の入力画像パラメータと中央の画像処理モジュールで更新されます。
ステップ5：オブジェクト検出、FOMO異常検出、YOLOv5モデルなどのオプションを含む
「学習ブロック」を追加します。
ステップ6：インパルス応答の設定が完了しました。画像入力モジュールとYOLOv5学習
ブロックが組み込まれ、歪み、はんだ付け過剰、および墓石状の欠陥クラスに対する出力特徴量が得られました。
ステップ7：入力モジュールと学習モジュールが確立された状態で、インパルス構成が正常に
保存され、後続のトレーニングの準備が整いました。
4．特徴量生成
ステップ8：画像モジュールの設定ページで、元の画像、RGB色深度、および処理済みの特徴量結果を確認します。
ステップ9：特徴量を生成する準備。システムは、曲がった、はんだ付けが過剰、墓石状のカテゴリに分類された490個のトレーニングサンプルを表示します。
ステップ10：特徴量生成中、システムはデータセットを処理し、ジョブのスケジュールと進捗
状況を表示します。
ステップ11：特徴量生成が完了し、カテゴリごとのサンプル数と、処理時間やメモリ使用量などのデバイス上でのパフォーマンス情報が表示されます。
ステップ12：特徴可視化結果。曲がったサンプル、はんだ付けが過剰なサンプル、墓石状の
サンプルを色分けされた散布図として表示します。
5. モデル学習（YOLOv5）
ステップ13：YOLOv5の設定ページでは、学習プロセッサ（CPU/GPU）、学習サイクル数、
モデルサイズ、バッチサイズを設定できます。
ステップ14：YOLOv5のトレーニングパラメータを設定し、トレーニングサイクル数を200に
設定し、Smallモデル（720万パラメータ）を選択します。
ステップ15：トレーニングリソースとデータセットのサイズに合わせて、バッチサイズを16に調整します。
ステップ16：YOLOv5モデルのトレーニングを開始します。システムはトレーニングの進捗状況とリアルタイムのログを表示します。
ステップ17：トレーニング結果ページには、精度スコア99.2%と、mAPや再現率などの詳細な
パフォーマンス指標が表示されます。
6. 再学習とテスト
ステップ18：[モデルの再学習]ページで、既存の画像モジュールとYOLOv5学習ブロックを選択し、モデルの再学習の準備をします。
ステップ19：モデルの再トレーニング中、システムは進行中の特徴処理とYOLOv5のトレーニングを表示します。
ステップ20：再学習後、システムはすべてのモジュールが正常に実行され、モデルテストが完了したことを示します。
ステップ21：「ライブ分類」ページで、デバイスとカメラソースを選択し、「サンプリング開始」をクリックして、リアルタイム画像分類を開始します。
ステップ22：モデルのテスト結果は、テスト画像に対して100％の精度を示し、精度や再現率などの詳細な指標も示しています。
7. デプロイ
ステップ23：「デプロイ」ページで、デプロイ先としてLinux（Qualcomm QNN搭載のAARCH64）を選択し、モデル最適化オプションを設定します。
ステップ24：量子化（int8）モードまたはfloat32モードを選択してモデルのデプロイメントを
構成し、モデルテストを実行するオプションを選択します。
ステップ25：モデルの構築とデプロイのプロセス中に、システムはデプロイファイルの生成を
表示します。
ステップ26：モデルの構築が正常に完了し、ダウンロード可能な.eimデプロイメントファイルが利用可能になりました。
ステップ27：コンパイル済みのEdge Impulseモデルファイル（.eim）をQCS6490開発ボード上で実行し、推論プロセスを開始します。
ステップ28：マウントされたUSBディスクからコンパイル済みの.eimモデルファイルをQCS6490開発ボードのファイルシステムにコピーします。
ステップ29：edge-impulse-linux-runnerコマンドを使用して、開発ボード上で.eimモデル
ファイルを実行します。
ステップ30：システムはモデルバリアントの選択を促し、ユーザーは最適化されていない（float32）または量子化された（int8）のいずれかを選択できます。
ステップ31：量子化（int8）モデルを選択した後、システムはモデルをダウンロードして展開
します。
ステップ32：モデルの構築とデプロイが完了し、「バイナリの構築は正常です」と表示され、
デプロイファイルがバックアップされます。
ステップ33：モデルの構築とデプロイが完了し、「バイナリの構築は正常です」と表示され、
デプロイファイルがバックアップされます。
ステップ34：モデルの構築とデプロイが完了し、「バイナリの構築は正常です」と表示され、
デプロイファイルがバックアップされます。
8. EONチューナーによる最適化
ステップ35：EONチューナーページを開き、モデル最適化のためのハイパーパラメータ探索を設定します。
ステップ36：EON Tunerで、検証損失を最小限に抑えることを目的とした「Run #1」という
名前の新しい実験を設定します。
ステップ 37: EON Tuner の設定で、実験に「Run #1_AOI」という名前を付け、ユースケースとして「オブジェクト検出 (バウンディング ボックス)」を選択します。
ステップ38：EON Tunerの実験が開始され、システムが自動的に最適な構成を検索します。
ステップ39：EON Tunerは、さまざまなハイパーパラメータの組み合わせによるテスト結果を
含む、検索の進行状況を表示します。
ステップ40：EON Tunerの結果ページには、さまざまなモデル構成におけるパフォーマンス
比較が表示されます。
ステップ41：EON Tunerは最適なモデル構成を選択し、推奨される最適化設定を強調表示
します。
ステップ42：最適化後、システムは新しいモデル構成を再学習してデプロイするように促
します。
ステップ43：AOIモデルのデプロイが完了し、Edge Impulseプラットフォームに最適化された
モデルが正常に構築され、推論の準備が整ったことが表示されます。最後に、この最適化されたモデルをプロジェクトに追加することで、トレーニングに最適なデータを取得できます。
