# 【How-to 記事】Edge ImpulseでエッジAI導入を始めましょう **URL:** \ **Category:** Japan\ **Tags:** edgeai, arm, qualcomm, edge-impulse\ **Created:** [April 23, 2026, 1:40am UTC](https://forum.aim-linux.advantech.com/t/how-to-edge-impulse-ai/1374 "2026-04-23T01:40:02Z")\ **Posts on this page:** 1\ **Page:** 1
**Author:** ![TAD](https://avatars.discourse-cdn.com/v4/letter/t/278dde/32.png) [@TAD](https://forum.aim-linux.advantech.com/u/TAD)\ **Post date:** [April 23, 2026, 1:40am UTC](https://forum.aim-linux.advantech.com/t/how-to-edge-impulse-ai/1374/1 "2026-04-23T01:40:02Z")
![バナー：3e24d26e1540be9aae09a5062b6807a9c9874909_2_690x387](https://us1.discourse-cdn.com/flex016/uploads/aim_linux/original/2X/8/801a6bec9639ff23aa93592079cad28a5dfd208b.jpeg)\*\* 1. 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。 ![Step1](https://us1.discourse-cdn.com/flex016/uploads/aim_linux/original/2X/3/36b7d731c127453d93af38a6c1a1b07f50130a95.png) 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。 ![Step2](https://us1.discourse-cdn.com/flex016/uploads/aim_linux/original/2X/7/76a97d454a8b8f90351c59616a57de4809f308ef.png) 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。 ![Step3](https://us1.discourse-cdn.com/flex016/uploads/aim_linux/original/2X/f/fb22dd6486dc2f018c9f60d212ea79d1b84dc4c7.jpeg) 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。 ![image](https://us1.discourse-cdn.com/flex016/uploads/aim_linux/original/2X/e/e3b6d650b9a16ede289d3cf232d2bfe6c7e8d6a2.jpeg) 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。 ![Step5](https://us1.discourse-cdn.com/flex016/uploads/aim_linux/original/2X/3/3aefd3d92edd137f2be4b64c4f3d3e7014a818ac.jpeg) 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。 ![Step6](https://us1.discourse-cdn.com/flex016/uploads/aim_linux/original/2X/7/777ab68484f0d3379df645331e6b71da1113f584.png) 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。 ![Step7](https://us1.discourse-cdn.com/flex016/uploads/aim_linux/original/2X/b/bbcb5dfcb90253ae905c37e999979a1e0fcee55b.png) **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。 ![Step8](https://us1.discourse-cdn.com/flex016/uploads/aim_linux/original/2X/5/531ee9f82d394a5d771cc4bcce62264521195e47.jpeg) 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。 ![Step9](https://us1.discourse-cdn.com/flex016/uploads/aim_linux/original/2X/d/d82a33c0962538865ed6ce58804a7c05098fe0c6.png) 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。 ![Step10](https://us1.discourse-cdn.com/flex016/uploads/aim_linux/original/2X/a/a3624c261757ab8f55b87273bf735510cd46fb82.png) 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。 ![Step11](https://us1.discourse-cdn.com/flex016/uploads/aim_linux/original/2X/a/a33249eaa05feaebcb93789854af22f98ecd9b2f.png) 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。 ![Step12](https://us1.discourse-cdn.com/flex016/uploads/aim_linux/original/2X/4/486f15142c4abe0ff31629bda7896605fc7dc369.png) **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。 ![Step13](https://us1.discourse-cdn.com/flex016/uploads/aim_linux/original/2X/9/9728858e3a8f122a2b115a0288a25ec4f55b697d.png) 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。 ![Step14](https://us1.discourse-cdn.com/flex016/uploads/aim_linux/original/2X/a/ace3d5426c7199e1367f239e61c6ba02fe461beb.png) 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。 ![Step15](https://us1.discourse-cdn.com/flex016/uploads/aim_linux/original/2X/5/59a4bc9aecd7ceed1fe8551cf7457064ebff96e8.png) 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。 ![Step16](https://us1.discourse-cdn.com/flex016/uploads/aim_linux/original/2X/1/11bc34d7643ada200ced5742fc6e807e6ceb4f75.png) 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。 ![Step17](https://us1.discourse-cdn.com/flex016/uploads/aim_linux/original/2X/9/9c139c97f6adae95151e8a84baebfa9c878b4dc3.png) **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。 ![Step18](https://us1.discourse-cdn.com/flex016/uploads/aim_linux/original/2X/0/0b3dec0193c05b2b3d9e7a37888242f2d16bf7dd.png) 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。 ![Step19](https://us1.discourse-cdn.com/flex016/uploads/aim_linux/original/2X/6/6be95a2e9a0ee3e04d235ec394071f8b133772d8.png) 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。 ![Step20](https://us1.discourse-cdn.com/flex016/uploads/aim_linux/original/2X/b/bd2fecabe7515ed1d92f54f61c938f5298f0075b.png) 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。 ![Step21](https://us1.discourse-cdn.com/flex016/uploads/aim_linux/original/2X/b/b087336d455c36132c87da2df955126fa084a13b.png) 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。 ![Step22](https://us1.discourse-cdn.com/flex016/uploads/aim_linux/original/2X/8/8a8ad90d9b3563b41972a47a509f482ddf79d0a3.png) **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。 ![Step23](https://us1.discourse-cdn.com/flex016/uploads/aim_linux/original/2X/6/68d24eb62da3f1bd72c82e556f417e7882885588.png) 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。 ![Step24](https://us1.discourse-cdn.com/flex016/uploads/aim_linux/original/2X/8/83797e41962eefa42d1d1b7aed7cbdd7994bb8fd.png) 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。 ![Step25](https://us1.discourse-cdn.com/flex016/uploads/aim_linux/original/2X/a/a8fb837e64da4dd5fcbe2564d6af36b60f04247c.png) 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。 ![Step26](https://us1.discourse-cdn.com/flex016/uploads/aim_linux/original/2X/4/40914d438eadf6034efc5de579a35509115fdbb3.jpeg) 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。 ![Step27](https://us1.discourse-cdn.com/flex016/uploads/aim_linux/original/2X/6/68a0012ffcf3669343a7a37f5e6b10e703bc80a6.png) 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。 ![image](https://us1.discourse-cdn.com/flex016/uploads/aim_linux/original/2X/f/f6a06cf90a98695267e237fcb2863331097ad8f1.png) 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。 ![image](https://us1.discourse-cdn.com/flex016/uploads/aim_linux/original/2X/1/13e8c0664bfe741ead5fd626f46d7d1b1ab1d918.png) 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。 ![Step30](https://us1.discourse-cdn.com/flex016/uploads/aim_linux/original/2X/6/6e0d7b0d764dcb01726c409964f5df1ca711cce6.png) 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。 ![Step31](https://us1.discourse-cdn.com/flex016/uploads/aim_linux/original/2X/3/3f3f9b6ced05cf371453dbe66511e425a2192fbb.png) 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。 ![Step32](https://us1.discourse-cdn.com/flex016/uploads/aim_linux/original/2X/d/dc7580319f7f6f39499a198703cfb6d272e0fd79.png) 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。 ![Step33](https://us1.discourse-cdn.com/flex016/uploads/aim_linux/original/2X/8/8983fecfb5256433543d32b808747a8191cabaf5.png) 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。 ![Step34-1](https://us1.discourse-cdn.com/flex016/uploads/aim_linux/original/2X/d/d12381c7fef2e1cf5fb85b94d23b3025da61eef7.jpeg) ![Step34-2](https://us1.discourse-cdn.com/flex016/uploads/aim_linux/original/2X/b/b79efa905afe30ebdfb19bd5be105c3b97d1eb8e.jpeg) **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。 ![Step35](https://us1.discourse-cdn.com/flex016/uploads/aim_linux/original/2X/4/48211474e109bc384f6017ff246c9d1b5ec39df3.png) 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。 ![Step36](https://us1.discourse-cdn.com/flex016/uploads/aim_linux/original/2X/c/c0e246a35889e39ac14c5fcdb7ad0d6e97456774.png) 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。 ![Step37](https://us1.discourse-cdn.com/flex016/uploads/aim_linux/original/2X/5/50d3ed781729a5d2e470616ec7cf8621bfb8ced1.png) 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。 ![Step38](https://us1.discourse-cdn.com/flex016/uploads/aim_linux/original/2X/b/bdc8f12174ded020b87f319ce7ddb8f93a3c24eb.png) 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。 ![Step39](https://us1.discourse-cdn.com/flex016/uploads/aim_linux/original/2X/e/ea040180d523676881ea0839e844f68a8b186338.png) 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。 ![Step40](https://us1.discourse-cdn.com/flex016/uploads/aim_linux/original/2X/a/a1caccf8a8569b96caf4f6a4d9b93041b2dc9ea6.png) 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。 ![Step41](https://us1.discourse-cdn.com/flex016/uploads/aim_linux/original/2X/4/4aa2da208a0728d223eb002825199c2538367dcc.png) 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。 ![Step42](https://us1.discourse-cdn.com/flex016/uploads/aim_linux/original/2X/9/9b0a46e9d1ecf93213f49bc5c05ff76e557b317b.png) 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。 ![Step43](https://us1.discourse-cdn.com/flex016/uploads/aim_linux/original/2X/f/fbf8069b017dd2290bf3f9d65c517ea2f471fecc.png)