2. 环境准备

在开始任何边缘机器学习项目之前，一个干净、可复现的开发环境是决定后续效率的关键。Edge Impulse 的完整工作流涉及云端训练与设备端部署，因此环境准备需要覆盖三个层面：账号与云端项目空间、本地命令行工具链、以及目标硬件的数据采集链路。本章将按照实际操作顺序，从注册账号开始，逐步完成 CLI 安装与开发板配置，最终打通从传感器到云端的数据通道。

上图展示了环境准备的三层架构：云端账号是数据与模型的“仓库”，本地 CLI 是连接仓库与硬件的“桥梁”，而开发板与传感器则是数据的“源头”。三者缺一不可，且配置顺序必须遵循“先云端、再本地、后硬件”的依赖关系。下面我们逐步展开每个环节的具体操作与常见问题。

2.1 注册 Edge Impulse 账号与创建项目空间

核心原理：云端工作区与项目隔离

Edge Impulse 采用 SaaS 模式，所有训练数据、模型参数、部署产物均存储在云端。每个用户拥有一个主账号，账号下可以创建多个 Organization（组织），每个组织内又可以创建多个 Project（项目）。这种层级结构类似于 GitHub 的 User/Organization/Repository 模型。项目之间完全隔离，这意味着不同项目的训练数据、特征管道和模型版本互不干扰。对于企业用户，Organization 还提供了成员权限管理功能，可以控制不同角色（如数据标注员、算法工程师、管理员）的访问级别。

操作流程：从注册到获取 API Key

1. 访问官网：打开 https://edgeimpulse.com，点击右上角 Sign Up。支持邮箱注册，也支持 GitHub 或 Google 账号 OAuth 登录。建议使用 GitHub 账号，后续与代码仓库集成更便捷。
2. 创建 Organization：登录后进入 Dashboard，点击 Create Organization。输入组织名称（如 MyEdgeLab），选择类型（个人或团队）。如果是个人学习，选择 Personal 即可。
3. 创建 Project：在组织页面点击 Create New Project。输入项目名称（如 Gesture_Recognition），选择传感器类型（加速度计、麦克风、摄像头等）。注意：传感器类型决定了后续数据采集的格式和默认处理管道，但后期可以修改。
4. 获取 API Key：进入项目后，点击左侧菜单 Dashboard，在页面底部找到 API Keys 区域。点击 Create API Key，选择权限范围（建议勾选 Ingestion 和 Deployment），生成后复制保存。此 Key 是 CLI 与云端通信的唯一凭证，泄露可能导致数据被非法访问。

案例拆解：团队协作中的权限管理

假设一个 5 人团队开发工业设备预测性维护系统。管理员创建 Organization FactoryAI，并邀请 4 名成员。管理员拥有 Admin 权限，可以管理项目、修改模型参数；两名数据工程师拥有 Data Engineer 权限，只能上传和标注数据；一名算法工程师拥有 ML Engineer 权限，可以训练模型但不能删除项目；一名硬件工程师拥有 Hardware 权限，只能访问部署和固件下载。通过这种细粒度权限控制，避免了误操作导致的项目损坏。

常见误区与复盘

• 误区一：所有项目都放在默认 Personal 组织下。当项目数量增多后，查找和管理变得混乱。建议按产品线或客户维度创建 Organization。
• 误区二：创建项目时随意选择传感器类型。例如做声音识别却选择了加速度计，后续虽然可以修改，但默认的 DSP 模块和预处理代码需要手动调整，增加不必要的工作量。
• 复盘：在项目启动前，花 10 分钟规划好组织结构和项目命名规范（如 产品名_传感器_版本），长期来看能显著提升团队协作效率。

2.2 安装 Edge Impulse CLI 与本地认证

核心原理：CLI 作为本地与云端的双向通道

Edge Impulse CLI 是一个基于 Node.js 的命令行工具，它承担两个核心职责：数据采集（从开发板读取传感器数据并上传云端）和模型部署（将训练好的模型编译为设备可执行的库或固件）。CLI 通过 HTTPS 与云端 API 通信，使用 API Key 进行身份验证。安装 CLI 的本质是获取一个本地可执行程序，它能够识别连接的开发板、读取传感器数据流，并通过 WebSocket 或 HTTP 将数据推送到指定项目。

操作流程：Windows/macOS/Linux 通用步骤

# 1. 安装 Node.js LTS 版本（≥16）
# 访问 https://nodejs.org 下载安装包，或使用包管理器：
# Ubuntu/Debian: sudo apt install nodejs npm
# macOS: brew install node

# 2. 验证 Node.js 安装
node --version
npm --version

# 3. 全局安装 Edge Impulse CLI
npm install -g edge-impulse-cli

# 4. 验证安装
edge-impulse-daemon --version

# 5. 登录并链接项目（首次运行）
edge-impulse-daemon
# 按提示输入邮箱和密码，或选择使用 API Key
# 选择 Organization 和 Project

安装过程中可能遇到权限问题。在 Linux/macOS 上，如果全局安装失败，尝试在命令前加 sudo，或者配置 npm 的全局目录为当前用户可写。Windows 用户建议使用管理员权限的 PowerShell。

案例拆解：多项目切换与数据隔离

一位开发者同时维护两个项目：一个用于手势识别（使用 IMU 传感器），另一个用于电机故障诊断（使用振动传感器）。通过 edge-impulse-daemon 登录后，CLI 会显示当前关联的项目。切换项目时，不需要重新登录，只需在交互界面中选择不同的 Project 即可。但要注意：CLI 同一时间只能关联一个项目，如果需要在两个项目间快速切换，可以使用 edge-impulse-daemon --project 参数指定项目 ID，或者使用 edge-impulse-daemon --clean 清除当前配置后重新选择。

常见误区与排障

2.3 配置开发板与数据采集工具

核心原理：固件是硬件与云端的翻译官

开发板本身并不直接理解 Edge Impulse 的云端协议。需要烧录一个特殊的固件（Firmware），该固件内置了传感器驱动、数据缓冲和网络通信模块。当开发板通电后，固件会初始化传感器（如 IMU、麦克风），按照预设的采样率读取数据，并通过 USB 串口或 Wi-Fi 将数据发送给 CLI。CLI 收到数据后，打包上传至云端。因此，固件决定了数据采集的质量和格式，包括采样率、分辨率、通道数等关键参数。

操作流程：以常见开发板为例

1. 确认开发板支持状态：访问 Edge Impulse 官方文档的 Supported Hardware 页面，查看你的开发板是否在列。常见支持列表包括：Arduino Nano 33 BLE Sense、ESP32、STM32 系列、Raspberry Pi Pico 等。
2. 下载预编译固件：对于官方支持的开发板，可以直接下载预编译的 .bin 或 .hex 文件。例如，对于 Arduino Nano 33 BLE Sense，下载 nano33ble_imu_firmware.hex。
3. 烧录固件：使用开发板对应的烧录工具。Arduino 使用 Arduino IDE 或 bossac 命令；ESP32 使用 esptool.py；STM32 使用 STM32CubeProgrammer。
4. 连接并验证：通过 USB 连接开发板，在设备管理器中确认串口号（如 COM3 或 /dev/ttyUSB0）。运行 edge-impulse-daemon，CLI 会自动检测串口并显示开发板信息。
5. 数据采集测试：在 Edge Impulse 云端项目的 Data Acquisition 页面，点击 Start Sampling，设置采样时长和标签，即可开始采集数据。实时波形会显示在网页上。

案例拆解：ESP32 自定义传感器数据采集

某项目需要采集工业振动数据，使用 ESP32 外接 ADXL345 加速度计。官方固件不支持 ADXL345，因此需要自定义固件。具体步骤：

• 硬件连接：ADXL345 通过 I2C 接口连接 ESP32（SDA=GPIO21，SCL=GPIO22），VCC 接 3.3V，GND 接地。
• 固件开发：在 Arduino IDE 中，使用 Edge Impulse Ingestion 库。初始化 I2C 和 ADXL345，设置采样率为 100Hz，量程为 ±16g。在 loop() 中读取三轴数据，通过 EI_SENSOR_DATA 宏发送。
• 关键代码片段：

#include <EdgeImpulseIngestion.h>
#include <Wire.h>
#include <Adafruit_ADXL345_U.h>

Adafruit_ADXL345_U accel = Adafruit_ADXL345_U(12345);

void setup() {
  Serial.begin(115200);
  if (!accel.begin()) { while(1); }
  accel.setRange(ADXL345_RANGE_16_G);
  EI_INGESTION_INIT();
}

void loop() {
  sensors_event_t event;
  accel.getEvent(&event);
  float data[3] = {event.acceleration.x, event.acceleration.y, event.acceleration.z};
  EI_SENSOR_DATA(data, 3, 100); // 3 轴，100Hz
  delay(10);
}

• 烧录与验证：编译上传后，运行 edge-impulse-daemon，CLI 识别到 ESP32 并显示“ADXL345 sensor found”。在云端采集页面，可以看到三轴波形实时刷新。

常见误区与总结

• 误区一：忽略 USB 驱动安装。很多开发板使用 CH340 或 CP2102 芯片，Windows 10/11 可能无法自动识别，需要手动安装驱动。
• 误区二：数据采集时未设置标签。Edge Impulse 要求每条数据必须有标签（如“正常”、“故障”），否则无法用于监督学习。建议在采集前规划好标签体系。
• 误区三：采样时长过短。对于振动或语音信号，建议单次采样时长至少 2-3 秒，以保证包含足够的周期特征。

环境准备阶段的核心目标是建立一条稳定、可验证的数据通路。完成本章操作后，你应该能够从开发板实时采集数据并在云端看到波形。如果这一步出现问题，后续的模型训练将无从谈起。建议在正式采集前，先进行 1-2 分钟的试采集，检查数据是否有明显噪声、是否出现丢包，以及传感器量程是否合适。一个经过验证的采集环境，是高质量数据集的基础，也是整个 Edge Impulse 项目成功的起点。