3、Edge Impulse平台概览：熟悉Edge Impulse的界面布局、数据采集方式（上传、内置传感器）以及数据管理的基本操作

在开始构建任何机器学习模型之前，理解你所使用的平台是至关重要的。Edge Impulse 作为目前业界领先的边缘设备机器学习平台，其设计哲学是“数据为中心”——即模型的质量上限由数据决定。本章将带你系统性地熟悉 Edge Impulse 的界面布局、三大数据采集通道（文件上传、设备内置传感器、数据代理），以及数据管理中的核心操作。你将理解数据在平台中的流转路径，并掌握如何为后续的“训练集/验证集划分”打下坚实的数据基础。下图展示了 Edge Impulse 中数据从采集到进入 Studio 的核心链路，以及数据版本管理在其中的位置。

上图清晰地展示了 Edge Impulse 数据生命周期的核心链路。数据从左侧的三种来源进入平台，经过采集与标注后，在数据管理模块中进行清洗、切割和版本控制，最终流向右侧的训练集/验证集划分环节。理解这条链路，是避免后续模型过拟合或泛化能力差的前提。

3.1 界面布局与核心功能区

Edge Impulse 的界面设计遵循“项目制”逻辑。当你登录后，首先看到的是项目列表。进入一个项目后，左侧的导航栏是核心操作入口，它按照机器学习工作流顺序排列：Dashboard（仪表盘）、Data acquisition（数据采集）、Impulse design（脉冲设计）、ML pipeline（机器学习流水线）、Deployment（部署）。其中，与本章节最相关的是 Data acquisition 页面，它是所有数据操作的起点。

界面区域	核心功能	与数据划分的关系
Dashboard	项目概览、训练/验证集比例快速预览、模型性能摘要	可快速查看当前数据集的样本总数与类别分布，但无法在此进行划分操作
Data acquisition	数据上传、设备连接、数据采集、标签管理、数据集切割	数据划分的“原料车间”，所有原始数据均在此处完成预处理
Impulse design	定义输入特征（如时间序列窗口大小、图像分辨率）	窗口大小会影响后续训练集样本数量，需在此处提前规划
ML pipeline	特征生成、模型架构选择、训练参数配置	训练/验证集的划分比例在此处最终确认并执行

在 Data acquisition 页面顶部，你会看到三个关键按钮：Collect new data（采集新数据）、Upload data（上传数据）、Data forwarder（数据代理）。这三个按钮对应了三种不同的数据采集方式，下面将逐一详解。

3.2 数据采集方式一：文件上传（Upload Data）

这是最直接、最常用的方式，适用于已有历史数据集或从其他传感器采集好的数据文件。Edge Impulse 支持三种主要格式：CSV（逗号分隔值）、WAV（音频）、JPG/PNG（图像）。

操作流程：

1. 点击 Upload data 按钮。
2. 选择文件类型（CSV/WAV/图像）。
3. 拖拽文件或浏览本地目录进行上传。
4. 在“Label”输入框中填写该批数据的类别标签（如“idle”、“click”、“vibration”）。
5. 关键步骤：选择 Data category（数据类别）。这里有两个选项：Training（训练集）和 Testing（测试集）。注意：Edge Impulse 中的“Testing”特指用于最终评估的测试集，而“Validation”验证集是在 ML pipeline 中从训练集中自动划分出来的。初学者常混淆此概念。
6. 点击 Upload 完成上传。

案例拆解：假设你有一批来自工业振动传感器的 CSV 数据，记录了 4 种机器状态（正常、不平衡、轴承磨损、松动）。每个 CSV 文件时长 60 秒，采样率 1kHz。如果你直接上传，平台会生成大量样本。此时，你需要在“Label”中分别选择对应的状态名称。若你希望验证集能代表不同时间段的工况，建议在采集时就将不同批次的文件分别上传，并利用后续的“Dataset”筛选功能进行划分，而不是全部混在一起。

3.3 数据采集方式二：内置传感器（Built-in Sensors）

Edge Impulse 支持通过浏览器直接访问设备的传感器。这主要针对两类设备：智能手机（通过浏览器 WebUSB/WebBluetooth）和 开发板（如 Nordic nRF52840 DK、ST IoT Discovery Kit）。这种方式适合快速原型验证，无需额外硬件。

操作流程（以手机为例）：

1. 在 Data acquisition 页面点击 Collect new data。
2. 选择设备类型为“Smartphone”。
3. 浏览器会弹出权限请求，允许访问加速度计、陀螺仪或麦克风。
4. 设置采集时长（例如 10 秒）和传感器频率（如 62.5Hz）。
5. 输入标签名称，点击“Start sampling”开始采集。

对于开发板，流程类似，但需要先通过 USB 连接并烧录 Edge Impulse 提供的固件。平台会自动识别设备并显示传感器数据流。这种方式常用于物联网场景，但需注意开发板的存储空间有限，采集的数据会实时传输至云端，因此网络稳定性是关键约束。

3.4 数据采集方式三：Data Forwarder（数据代理）

当你的数据源是自定义硬件、串口设备或第三方软件时，Data Forwarder 是唯一的选择。它本质上是一个运行在你电脑上的 Python 脚本，负责将来自串口、MQTT 或文件的数据转发至 Edge Impulse 云平台。

核心原理：Data Forwarder 通过串口（如 COM3）或 TCP 端口读取原始数据流，并按照 Edge Impulse 的协议封装成 JSON 格式发送至云端。它支持 CSV 格式的连续数据流，也支持 JSON 格式的独立样本。

操作流程：

1. 在 Data acquisition 页面点击 Data forwarder。
2. 根据你的操作系统下载对应的代理程序（如 edge-impulse-data-forwarder）。
3. 在终端中运行命令，并输入你的 API Key。
4. 选择串口设备和波特率（如 115200）。
5. 在平台端点击“Start sampling”，代理程序会开始读取串口数据并上传。

# 示例：启动 Data Forwarder 并连接串口
edge-impulse-data-forwarder --baud-rate 115200 /dev/ttyUSB0

常见误区：很多用户误以为 Data Forwarder 只能用于实时数据。实际上，它也可以用于回放预先录制的数据文件（通过 --file 参数）。这在需要重复测试不同划分策略时非常有用。

3.5 数据管理的基本操作：切割、筛选与版本控制

数据管理是确保训练集/验证集划分有效性的最后一道防线。Edge Impulse 提供了三个核心工具：切割（Split）、筛选（Filter）、版本控制（Data Version）。

3.5.1 数据切割（Split Sample）

在 Data acquisition 页面，点击任意一个样本右侧的“...”菜单，选择“Split”。你可以手动拖动切割线，将一个长样本切成多个短样本。这对于处理包含多个动作的连续记录非常有用。例如，一段 30 秒的连续操作视频，你可以将其切割为 10 个 3 秒的独立动作样本。

3.5.2 数据筛选与批量操作

平台支持按标签、设备 ID、采集时间等条件进行筛选。你可以通过勾选多个样本，进行批量删除、批量修改标签或批量移动至不同数据集（Training/Testing）。关键技巧：在划分验证集时，建议使用“Device”维度进行筛选。例如，如果你有 3 个不同的传感器节点采集的数据，应确保每个节点的数据在训练集和验证集中都有分布，而不是将节点 A 的数据全部划入训练集，节点 B 的数据全部划入验证集。这会导致验证集无法反映真实部署场景。

3.5.3 数据版本控制（Data Version）

Edge Impulse 允许你对当前数据集创建快照（Snapshot）。在 Data acquisition 页面右上角，点击“Create new version”。这会在你调整数据（如删除异常样本、重新切割）后，保留一个可回滚的存档。这对于实验对比至关重要——你可以基于版本 1 训练模型 A，基于版本 2 训练模型 B，然后对比两者的性能差异，而无需担心数据变动带来的干扰。

操作	适用场景	对验证集划分的影响
切割（Split）	长序列数据需要细粒度样本	增加样本数量，需重新划分比例
筛选（Filter）	剔除异常值或聚焦特定设备数据	可能改变类别分布，需检查划分后的类别平衡
版本控制（Version）	实验对比、数据回滚	确保不同实验基于同一数据快照，划分结果可复现

3.6 案例复盘：从原始数据到可用的训练/验证集

为了将上述概念串联起来，我们来看一个完整的案例。假设你正在为一个智能门锁设计“敲击模式识别”功能，需要区分“敲门”、“拍门”、“踢门”三种动作。

背景与约束：你只有一个开发板（内置加速度计），且需要在一天内完成数据采集和初步验证。网络环境不稳定，无法长时间在线采集。

初始现象与目标：你采集了 20 分钟原始数据，但发现数据中混有大量环境振动噪声。目标是通过数据管理，生成一个干净的、类别平衡的训练集和验证集。

关键操作步骤：

1. 采集：使用 Data Forwarder 连接开发板，以 100Hz 频率采集加速度数据。每次敲击动作持续约 1 秒，因此设置窗口长度为 1 秒，窗口增加量为 0.5 秒。
2. 上传与初步标注：将采集的数据上传至平台，分别标注为“knock”、“slap”、“kick”。此时，数据类别分布为：knock 120 个样本，slap 90 个样本，kick 110 个样本。
3. 数据清洗：在 Data acquisition 页面，通过筛选功能查看每个类别的样本波形。发现部分“knock”样本的波形幅值异常低，经分析是敲击力度过轻导致。使用批量操作删除这些低质量样本，最终得到 knock 100 个，slap 90 个，kick 100 个。
4. 创建数据版本：点击“Create new version”，命名为“clean_v1”。
5. 划分策略：在 ML pipeline 中，设置训练集/验证集比例为 80/20。但这里有一个关键点：由于数据来自同一个设备，且采集时间连续，如果随机划分，验证集中可能包含与训练集时间上相邻的样本，导致评估结果过于乐观。因此，我们采用按时间顺序划分：前 70% 的数据作为训练集，后 30% 作为验证集。这模拟了“用过去预测未来”的真实场景。
6. 结果对比：使用随机划分时，模型验证准确率为 95%；使用时间顺序划分时，准确率降至 88%。虽然准确率下降了，但后者更真实地反映了模型在未知未来数据上的表现。

复盘经验：这个案例揭示了数据管理中的一个核心矛盾：数据量充足但分布不均。通过版本控制，你可以轻松回退到“clean_v1”重新尝试不同的划分策略，而无需重新采集数据。此外，时间序列数据的划分必须考虑时间相关性，否则验证集将失去意义。