Wio Terminal 麦克风识别唤醒词
项目概述
本模型使用 Wio Terminal 内置的麦克风收集人声唤醒词和环境音，使用 TinyML（通过 Codecraft）训练模型以实现用唤醒词（Hi wio）唤醒设备。
期望效果
当对着 Wio Terminal 喊 “hi wio” 时，Wio Terminal 可以实时响应。
材料准备
硬件方面只需要一台 Wio Terminal（内置麦克风）
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“内置麦克风识别唤醒词”，根据命名要求输入名称（例如 hi_wio），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
“内置麦克风识别唤醒词”有 3 个默认标签：唤醒词（hi wio）、环境声（background）、其他词（other words）。
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到 Wio Terminal。
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。
Wio Terminal 显示 OK 表示收集完毕，CodeCraft 此时仍在拼命加载中（可能持续十几秒），此段时间因为语音数据量较大，将其从 WioTerminal 传至 CodeCraft 时间较长，请耐心等待。
数据上传完毕后，可对录音数据进行裁剪，以获得更好的训练效果。之后点击“训练与部署”。
当然，你也可以添加自定义标签，以使得 Wio Terminal 识别更多词汇。
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，表示模型训练任务已完成。
然后在“模型训练报告”界面，点击“部署模型”。弹窗提示部署完成，点击“确认”后，自动跳转到“使用与编程”界面。
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。