示例项目：手势识别（本地训练和预测）

实现效果

在本项目中，我们将使用MARK的设备模型训练功能来训练手势识别器，会区分竖起大拇指的手势、胜利手势和拳头手势——整个训练过程仅需一分钟！

硬件连接

使用 Grove 数据线连接按钮与 M.A.R.Kduino 的 D4 端口。打开电源开关，用 Type-C USB 线将小车连接到电脑上。

编写程序

为训练模型，我们首先需要创建模型定义。单击添加扩展选项卡，然后选择扩展模型。单击新打开的选项卡中的本地训练——在其中填写参数，如以下屏幕截图所示。

上述操作完成后，使用新出现的积木块收集训练样本，保存模型，开始推断。

上传程序

点击连接设备，然后点击上传，将所编写程序上传到小车。

实验程序

遵循代码逻辑来训练模型：按下按钮获取每个手势的种子样本，然后获取25个手势样本来开始训练。尝试让每个手势的样本数量相等，例如，每个手势8个（总共24个），最后一个可以是任何一种手势。训练后，通过向 MARK 小车展示手势并查看其反应来尝试推理。

如果结果不尽如人意，在不同的环境里再次尝试训练，例如在空白背景下进行。
您可以在此 GitHub 存储库中找到参考代码，并在我们的 YouTube 频道上观看演示视频。