> ## Content Index
> Fetch the complete content index at: https://fidacaro.com/llms.txt
> Use this file to discover other available public pages before exploring further.

# La pasta italiana AI con OpenVINO su Edge Hardware
- URL: https://fidacaro.com/la-pasta-italiana-con-openvino/
- Published: 2024-04-03T14:51:41.000Z
- Updated: 2024-04-04T16:48:56.000Z
- Description: Follow the article, in the next few hours I will publish all the code updates.
- Author: Salvino Fidacaro
- Tags: Intelligenza Artificiale, Intel, #Import 2026-11-13 15:39

Il modello AI è stato allenato per riconoscere i diversi formati di pasta italiana. All'interno di questa ricerca vengono descritti tutti i passaggi e gli strumenti utilizzati per la creazione del modello e del codice.

Su [GitHub](https://github.com/salvino72/Italian-Pasta-AI-Edge-OpenVino?ref=fidacaro.com) trovi tutto il codice sorgente.

### Creazione del dataset

La creazione del modello è basata su 5 formati di pasta italiana (conchiglie, ditalini, fusilli, farfalle, sedani).

![](https://fidacaro.com/content/images/2024/04/sedani-dataacquisition.png)

![](https://fidacaro.com/content/images/2024/04/farfalle-dataacquisition.png)

> Ecco alcuni strumenti molto utile e veloci per la creazione del label : **edgeimpulse.com** e **darwin.v7labs.com**. Alla Fine di questo articolo ho aggiunto una lista di alcuni [**Data Labeling Platform**](#datalabeling) interessanti che possono essere utilizzate in modo gratuito o con un ampio livello free:

Per la creazione del modello sono state utilizzate 375 immagini divisi in 5 gruppi, utilizzando 80% dataset train e 20% in test.   
I dati di addestramento vengono utilizzati per addestrare il modello, mentre i dati di test servono per verificare l'accuratezza del modello dopo l'addestramento. È consigliato un rapporto di suddivisione approssimativo di 80/20 tra addestramento e test per i dati, per ogni classe (o etichetta) nel dataset, sebbene dataset particolarmente grandi possano richiedere meno dati di test.

![](https://fidacaro.com/content/images/2024/04/label-dataset.png)

![feature explorer](https://fidacaro.com/content/images/2024/04/trainingset-explor.png)

### Creazione del modello

Confronta le prestazioni di addestramento delle varianti ottimizzate del modello. È possibile scegliere un'ottimizzazione durante la distribuzione.

Da questi dati sono stati generati tre modelli in modo da poter confrontare le singole performance:   
\- Il primo **FOMO (Faster Objects, More Objects) MobileNetV2 0.1** , un modello di rilevamento degli oggetti basato su MobileNetV2 (alpha 0.1) progettato per segmentare grossolanamente un'immagine in una griglia di sfondo rispetto a oggetti di interesse. Questi modelli sono progettati per avere una dimensione inferiore a 100KB e supportano un ingresso in scala di grigi o RGB a qualsiasi risoluzione.   
\- Il secondo modello usa **YOLOv5** un modello di apprendimento basato su Ultralytics YOLOv5 , che viene trasferito utilizzando i pesi yolov5n.pt. Esso supporta l'input RGB a qualsiasi risoluzione, ma è limitato a immagini quadrate.  
\- Il terzo modello, poi utilizzato, è stato fatto usando un dataset in formato **Darwin 2.0 (JSON)** e mediante **PyTorch** e poi ottimizzato con **OpenVINO**.

### Risultati del test fatto su i modelli

I risultati ottenuti dal test sono abbastanza buoni con un livello di accuracy oltre 88%, dove si evidenzia un livello di carenza dei dati relativi a solo due tipologie di pasta (sedani e fusilli).

![](https://fidacaro.com/content/images/2024/04/test-risultati.png)

![](https://fidacaro.com/content/images/2024/04/risultati-dataset.png)

### Applicazione pratica e codice python

L'applicazione in esempio effettua il riconoscimento mediante una webcam live dei diversi tipi di pasta in diversi contesti, oltre a classificare conta il quantitativo individuando il peso.

Caratteristiche dell'applicazione:  
\- Classificazione tipi di pasta  
\- Conteggio numero per tipo  
\- Calcolo peso approssimato

(Codice in scrittura ... aggiungi tra i preferiti questa pagina e ritorna tra qualche ora). 

### Data Labeling Platform

Le Data Labeling Platform, o piattaforme di etichettatura dei dati, sono sistemi software utilizzati per annotare e classificare i dati, in particolare per scopi di apprendimento automatico e intelligenza artificiale. Queste piattaforme consentono agli utenti di etichettare grandi quantità di dati, come immagini, testi, file audio o video, assegnando loro etichette o categorie specifiche.

Questa etichettatura è fondamentale nel processo di apprendimento supervisionato, dove il modello di apprendimento automatico impara da un set di dati precedentemente etichettato per fare previsioni o classificazioni su nuovi dati. Le etichette fungono da guida per il modello, indicando cosa è presente nei dati o quale comportamento si sta cercando di predire.

Ecco una lista di alcuni Data labeling Platform interessanti:

[GitHub - cvat-ai/cvat: Annotate better with CVAT, the industry-leading data engine for machine learning. Used and trusted by teams at any scale, for data of any scale.Annotate better with CVAT, the industry-leading data engine for machine learning. Used and trusted by teams at any scale, for data of any scale. - cvat-ai/cvat![](https://github.com/fluidicon.png)GitHubcvat-ai![](https://repository-images.githubusercontent.com/139156354/cd9b3435-498b-4412-87c7-00e5e0a5d64c)](https://github.com/cvat-ai/cvat?ref=fidacaro.com)

[V7 | The AI Data Engine for Computer Vision & Generative AIThe full infrastructure for enterprise training data covering labeling, workflows, datasets, and humans in the loop.![](https://assets-global.website-files.com/5b26e3fda3234fe366aa392d/5c5c8e8720a9c32d68043900_V7_favicon.png)The AI Data Engine for Computer Vision & Generative AI![](https://assets-global.website-files.com/5b26e3fda3234fe366aa392d/6491ab69c8e94718fe5eb059_OpenGrapth%20Homepage.png)](https://www.v7labs.com/?ref=fidacaro.com)

[Edge Impulse - The Leading edge AI platformEdge Impulse is the leading development platform for machine learning on edge devices.![](https://assets-global.website-files.com/618cdeef45d18e4ef2fd85f3/61b1b5081513263715b6c5d3_Frame%201431.png)Arrow right![](https://assets-global.website-files.com/618cdeef45d18e4ef2fd85f3/64e465a3768b6be8f6b12c1d_Home%20(1).png)](https://edgeimpulse.com/?ref=fidacaro.com)

[Open Source Data Labeling | Label StudioA flexible data labeling tool for all data types. Prepare training data for computer vision, natural language processing, speech, voice, and video models.![](https://labelstud.io/apple-touch-icon.png)Label Studio![](https://labelstud.io/og-image.png)](https://labelstud.io/?ref=fidacaro.com)

[Labelbox | Data-centric AI Platform for Building & Using AIDiscover how leading teams use Labelbox to build AI applications, train and fine-tune models, and automate tasks with LLMs![](https://labelbox.com/static/images/favicon-v4-black.png)Data-centric AI Platform for Building & Using AI![](https://images.ctfassets.net/j20krz61k3rk/4MH7964kuJGRCbKSXsdZZg/d8c49a00220d6c7ce1a1124b91d4d47e/Homepage_social.png)](https://labelbox.com/?ref=fidacaro.com)