Wio Terminal 光传感器手势识别
项目概述
本模型使用 Wio Terminal 内置的光传感器，识别手势：石头（rock）、剪刀（scissors）、布（paper）。
这是一项使用基于规则的编程很难解决的任务。因为人们每次做手势的方式都不完全一样，若使用编程方法，我们把不同的人不同的手势方式考虑进去，那将是成百上千条不同的规则。实际上这仍是理想化情况，仍有很多人不同的手势未被考虑到，速度、角度、频率、方向等任一因素的轻微变化都需为其建立新的规则，但机器学习（TinyML）可以轻松地处理这些变化。
众所周知，用相机传感器结合机器学习来识别手势是可能的，即使图像被缩小了很多。但使用光传感器，相当于仅使用了相机的一个像素点来识别手势，则是完全不同水平的挑战。让我们通过此项目迎接挑战吧！
期望效果
期望实现的效果如下所示，Wio Terminal 实时展示当前对 Wio Terminal 的手势动作的识别结果。石头（rock）、剪刀（scissors）、布（paper）其中一种。
材料准备
硬件方面只需要一台 Wio Terminal（内置光传感器）
项目步骤
正如 Codecraft 操作说明 所介绍，Wio Terminal 嵌入式机器学习项目包括 4 个步骤：
- 创建与选择模型
- 数据采集
- 训练与部署
- 使用与编程
项目步骤
1. 创建与选择模型
点击“创建与选择模型”，点击“内置光传感器识别手势”，根据命名要求输入名称，点击“确认”。
点击确定后会自动跳转到“数据采集”界面。
2. 采集数据
“内置光传感器识别手势”有 3 个默认标签：石头（rock）、剪刀（scissors）、布（paper）。
我们需要使用 Wio Terminal 采集数据。连接 Wio Terminal 和电脑，在 Codecraft 的界面，点击 “上传”，此操作将上传默认采集数据程序。
选择目前的 Wio Terminal 对应的串口号，点击“确定”按钮，将上传默认采集数据程序到 Wio Terminal 设备。上传时间通常数十秒钟，完成后会看到下图所示的“上传成功”画面。
提示：对于网页版的 Codecraft ，需要提前安装并启用 Codecraft Assistant 设备助手。
接下来就可以采集数据了，在 Codecraft 页面右上角有数据采集步骤介绍，根据介绍指示采集数据。
分别按下 Wio Terminal 上方的按键，采集不同类型的数据，显示收集完毕即可停止采集数据。此时，CodeCraft 页面显示“拼命加载中”，等待 1-2 秒，将数据从 Wio Terminal 传至 CodeCraft。重复以上操作，采集多组数据。
你可以添加自定义标签，并采集该类型的数据，步骤与默认标签的数据采集相似。
待所有标签的数据采集完毕，点击“训练与部署”。
3. 训练与部署
选择适合的神经网络规模：小（small）中（medium）大（large）型其中一个。设置参数：训练周期数（training）、学习率（learning rate）、最低置信度（minimum confidence rating）。
点击“开始训练”按钮，开始训练模型。训练所需的时间与选择神经网络规模（小型中型大型）、训练周期数有关，网络规模越大所需时间越长，训练周期数越高所需时间亦越长，所以请耐心等待。
加载完成后，可以在“输出日志”中看到“TrainModel Job completed”提示。
在部署模型之前，我们先观察一下模型性能，选择理想模型。在“模型训练报告”界面，可观察训练的成绩，包括模型的准确性、损失、模型在 Wio Terminal 上的性能。
如果训练成绩不理想，可以返回训练模型第一步，选择其他规模的神经网络，或者调整参数的设置，再次训练，直到获得一个成绩理想的模型。
当我们获得一个较为理想的模型后，就可以点击“部署模型”。
4. 使用与编程
部署模型之后，我们还要编写模型使用程序才能在 Wio Terminal 上使用。
在“使用与编程”界面，点击“模型使用”即可使用已经部署的模型。
编写如下程序即可尝试使用你的模型。
点击“上传”按钮，将程序上传程序到 Wio Terminal。首次上传时间较长，且随模型复杂程度上传时间增长，请耐心等待。小模型上传时间大约为 4 分钟。
程序上传成功后，我们就可以在 Wio Terminal 上测试模型效果。需要说明的是，即使训练模型分数达到很高仍 不代表模型就是好的模型，训练模型的分高而实际使用预测效果差的现象被称为过拟合（overfitting），相当于模型生硬记忆背诵了训练数据集的细节，在面临新的数据时不会做题了，这是机器学习训练模型会遇到的问题。
解决办法是：增加数据集、降低学习率，再重新训练模型。