WEBVTT

00:00:01.240 --> 00:00:08.194
AI アクティビティ タイマーを作成するには、

00:00:08.194 --> 00:00:13.080
さまざまな動きやアクティビティを行っているときを認識するように機械学習 (ML) モデルをトレーニングします。

00:00:13.080 --> 00:00:18.960
次に、そのモデルをアクティビティ タイマー用の既製のコードと組み合わせて

00:00:18.960 --> 00:00:26.800
から、micro:bit にダウンロードして実際に使用します。

00:00:26.800 --> 00:00:33.960
「micro:bit CreateAI で開く」をクリックしてプロジェクトを起動します。

00:00:33.960 --> 00:00:41.120
このプロジェクトには、歩行の動作データの 6 つのサンプル、 飛び跳ねの

00:00:41.120 --> 00:00:47.200
動作データの 6 つのサンプル、およびかなり静止する動作データの 6 つのサンプルが付属しています

00:00:47.200 --> 00:00:54.200
。 独自の動きデータを記録することで、さらにサンプルを追加します。

00:00:54.200 --> 00:01:02.703
micro:bit CreateAI は、micro:bit 上の加速度センサーまたは動きセンサーを使用して動きデータ サンプルを収集します。

00:01:05.726 --> 00:01:09.734
micro:bit とバッテリー パックを手首または足首に装着し

00:01:09.734 --> 00:01:15.120
、自由に動いて自分の運動データ サンプルを記録します。

00:01:15.120 --> 00:01:20.400
まず、足首に装着する micro:bit を CreateAI に接続します。

00:01:20.400 --> 00:01:23.816
これをデータ収集 micro:bit と呼びます。

00:01:23.816 --> 00:01:31.640
コンピューターで Bluetooth が有効になっている場合は、バッテリー パックと USB データ リードを備えた 1 マイクロビットだけが必要です。

00:01:31.640 --> 00:01:36.640
Bluetooth 接続がない場合は、2 micro:bit を使用するように求められます。

00:01:36.640 --> 00:01:41.400
2 番目の micro:bit は USB ケーブルに接続されたままとなり、

00:01:41.400 --> 00:01:50.600
データ収集 micro:bit への無線リンクとして機能します。画面の指示に従って接続します。

00:01:50.600 --> 00:01:57.817
micro:bit が接続されると、micro:bit を動かすとライブ グラフ上の線が変化するのがわかります。

00:01:57.817 --> 00:02:02.297
これで、独自の動きデータ サンプルを追加する準備ができました。

00:02:02.297 --> 00:02:06.263
このプロジェクトにはすでにいくつかのデータ サンプルが含まれているため、

00:02:06.263 --> 00:02:16.912
今はアクションごとにサンプルを 1 つ追加するだけにして、後でデータの収集と分析に時間を費やすことをお勧めします。

00:02:16.912 --> 00:02:24.800
データ収集 micro:bit が足首の内側に、ボタン B が上になるように取り付けられていることを確認してください。

00:02:24.800 --> 00:02:29.280
特定のアクションにデータを追加するには、そのアクションをクリックして選択します。

00:02:29.280 --> 00:02:34.440
1 秒の録音が開始される前に、3 秒のカウントダウンが表示されます。

00:02:34.440 --> 00:02:40.080
「記録」をクリックしてすぐに移動を開始し、クリーンなデータ サンプルを確実に取得します。

00:02:40.080 --> 00:02:43.960
クリーンなサンプルとは、サンプル全体にわたって移動が開始され、

00:02:43.960 --> 00:02:48.593
開始が遅くなったり、移動が早く終了したりしないサンプルのことです。

00:02:48.593 --> 00:02:55.519
次に、追加のデータ サンプルを「ジャンプ」データ セットと「静止」データ セットに追加してみます。

00:02:55.519 --> 00:03:05.040
アクションをクリックしてそれらを選択し、次に「記録」をクリックしてジャンプするか、サンプルを記録しながら静止したままにしてください。

00:03:05.040 --> 00:03:16.521
「静止」サンプルでは、​​取り付けられた micro:bit の角度に応じて、X、Y、Z ラインの位置が変わることがわかります。

00:03:16.521 --> 00:03:26.080
現時点では多くのデータはありませんが、CreateAI を使用して独自の機械学習モデルをトレーニングするのに十分なデータがあります。

00:03:26.080 --> 00:03:33.720
したがって、[モデルのトレーニング] をクリックして、現在のデータを使用して ML モデルを構築します。

00:03:33.720 --> 00:03:41.363
このツールは、micro:bit を動かすときのさまざまなアクションを認識する数学的モデルを構築します。

00:03:41.363 --> 00:03:45.646
モデルのトレーニングが完了すると、すぐに [モデルのテスト] ページが表示されます。

00:03:45.646 --> 00:03:50.721
次に、データ収集 micro:bit を使用して、モデルがどの程度機能しているかをテストします。

00:03:50.721 --> 00:03:59.720
まだツールに接続されているはずです。ツールを移動すると、CreateAI がユーザーが行っているアクションを推定していることがわかります。

00:04:02.360 --> 00:04:09.698
各アクションを試して、推定されるアクションと確実性の棒グラフの変化を確認します。

00:04:11.257 --> 00:04:19.126
確実性棒グラフの % は、モデルが各アクションを実行していることをどの程度確信しているかを示します。

00:04:21.600 --> 00:04:26.520
モデルが一部のアクションを正確に推定していないことに気づくかもしれません。あるいは、

00:04:26.520 --> 00:04:32.720
あるアクションではうまく機能しているが、他のアクションではうまく機能していない可能性があります。そのため、モデルが現在どのように機能しているかを調べた後、

00:04:32.720 --> 00:04:40.360
[データ サンプルの編集] をクリックして改善することをお勧めします。あなたのモデル。

00:04:40.360 --> 00:04:46.360
機械学習モデルは通常、より多くのデータを使用することで最も効果的に機能するため

00:04:46.360 --> 00:04:54.960
、アクションごとに追加のサンプルを記録するか、テストで問題があったアクションについてより多くのデータを収集することに重点を置きます。

00:04:54.960 --> 00:05:01.935
一度に 1 つのサンプルを録音することも、10 個のサンプルを連続して録音することもできます。

00:05:10.160 --> 00:05:23.081
クリーンなデータ サンプルは ML モデルの機能を向上させるのにも役立ちます。そのため、データ セットを調べて、モデルを混乱させる可能性のあるデータ サンプルを特定します。

00:05:26.003 --> 00:05:29.640
X を押すとこれらを削除できます。

00:05:30.840 --> 00:05:39.423
さらにデータを追加してデータ セットを確認したら、[モデルのトレーニング] を再度クリックして、修正したデータ セットを使用します。

00:05:40.483 --> 00:05:45.992
次に、「モデルのテスト」ページでモデルを再度テストします。

00:05:48.555 --> 00:05:54.640
ML モデルの動作に満足したら、それを既製のプロジェクト コードで使用できます。

00:05:54.640 --> 00:06:02.480
[MakeCode で編集] をクリックすると、特別なバージョンの Microsoft MakeCode のコード ブロックが表示されます。

00:06:02.480 --> 00:06:09.560
画面左上の矢印を使用していつでも CreateAI に戻ることができます。

00:06:09.560 --> 00:06:19.240
これらのコード ブロックは、エクササイズ タイマー内で作成したモデルを使用します。

00:06:19.240 --> 00:06:26.160
このコードでは 3 つの変数を使用して、各アクションの実行時間を追跡します。

00:06:26.160 --> 00:06:33.680
プログラムが最初に実行されるとき、これらのタイマー変数は 0 に設定されます。

00:06:33.680 --> 00:06:40.120
「ML 開始時」ブロックは、ML モデルが特定のアクションを開始したと判断したときにトリガーされます。

00:06:40.120 --> 00:06:49.250
ユーザーが行っていると推定されたアクションに応じて、micro:bit の LED ディスプレイにさまざまなアイコンが表示されます。

00:06:50.289 --> 00:07:01.280
「on ML stop」ブロックは、ML モデルがアクション (この場合は歩く、ジャンプする、または静止する) を終了したと判断したときにトリガーされます。

00:07:01.280 --> 00:07:06.880
各ブロック内のコードは画面をクリアし、

00:07:06.880 --> 00:07:13.440
各アクションの合計時間を格納する変数に、終了した ばかりのアクションの継続時間を追加します 。

00:07:13.440 --> 00:07:19.440
ML モデルはコードと連携して、各アクションに費やされた合計時間を表示できるようにします。

00:07:19.440 --> 00:07:23.040
ボタン A を押すと、歩いた距離の推定値が表示されます。

00:07:23.040 --> 00:07:28.160
ボタン B を押すと、モデルが推定したジャンプ時間を確認できます。

00:07:28.160 --> 00:07:34.080
推定継続時間を確認するには、A と B を同時に押します。

00:07:34.080 --> 00:07:44.111
タイマーはミリ秒 (1000 分の 1 秒) 単位でカウントするため、表示される数値を 1000 で割って時間を秒単位で示します。

00:07:44.111 --> 00:07:53.160
AI アクティビティ タイマーを micro:bit で実行するには、このコードを micro:bit にダウンロードするだけです。

00:07:53.160 --> 00:08:00.642
利用可能な別の micro:bit がない場合は、データ コレクション micro:bit に現在あるコードをプロジェクト コードに置き換えるだけです。

00:08:01.646 --> 00:08:05.000
これで、プロジェクトを実際にテストできるようになりました。

00:08:05.000 --> 00:08:10.040
運動中または運動していないときに正しいアイコンが表示されますか?

00:08:10.040 --> 00:08:15.800
タイマー コードがモデルで適切に動作しているかどうかを 3 つの簡単なステップでテストできます:

00:08:15.800 --> 00:08:19.160
リセット ボタンを押します。 30秒間ジャンプします。

00:08:19.160 --> 00:08:25.540
次に、ボタン B を押します。ディスプレイ上に 30 という数字がスクロールするのが表示されます。

00:08:25.540 --> 00:08:28.560
これで、CreateAI に接続し、

00:08:28.560 --> 00:08:34.560
独自のデータを収集し、それを使用して機械学習モデルをトレーニング、テスト、改善する準備が整いました。その後、

00:08:34.560 --> 00:08:40.600
このモデルを既製のコードと組み合わせて、独自のマイクロで試してみることができます。少し。

00:08:40.600 --> 00:08:48.379
これをさらにカスタマイズする方法を探している場合は、ランニングやダンスのステップなどのさまざまなアクションを追加してみてください。

00:08:48.379 --> 00:08:52.480
楽しむ！