ดูของจริงก่อน — เลือกโมเดล กด Run แล้วดูมันตอบ

ทำไม · คืออะไร · ทำยังไง — แผนที่ของคาบนี้

ทำไม โมเดล AI บนบอร์ดตอบเองได้ในไม่กี่ร้อยมิลลิวินาที ไม่ต้องส่งข้อมูลขึ้นคลาวด์ก่อน ข้อมูลเสียงและการสั่นจึงไม่ต้องออกจากบอร์ด

คืออะไร โมดูล edge_ai มีไม่กี่คำสั่ง: ดูรายชื่อโมเดล เลือก รัน หยุด อ่านผล

ทำยังไง ห้าตัวอย่างไล่ทีละขั้น (01 ถึง 05) แล้วปิดด้วย AI Model Lab ที่เอาทุกขั้นมารวมเป็นหน้าจอเดียว

คาบหน้า (คาบ 12) เราเอาผลที่อ่านได้วันนี้ส่งขึ้น MQTT ต่อจากคาบ 10

วันนี้มีสามส่วน ทำตามลำดับ

ส่วนที่ 1 ทำครั้งเดียวต่อบอร์ด ถ้าบอร์ดของคุณพร้อมแล้ว ข้ามไปส่วนที่ 2 ได้เลย

เป้าหมายของคาบนี้

เมื่อจบคาบ คุณต้องทำสิ่งเหล่านี้ได้เอง

1. อัปเดตเฟิร์มแวร์ และส่งโมเดลจาก Store ลงบอร์ดเองได้
2. ดูได้ว่าบอร์ดมีโมเดลอะไร มาจากไหน ใช้เซนเซอร์อะไร
3. เลือกโมเดล ด้วยชื่อ แล้วรัน/หยุดจากโค้ด
4. อ่านผลสดให้ถูกวิธี และรู้ว่าเมื่อไรผลคือผลใหม่
5. กรองผลดิบด้วยความมั่นใจและกฎ "k ใน n" ก่อนจะเตือน
6. เลือกระหว่างวนอ่านเองกับให้บอร์ดเรียก (callback) ได้ว่าอันไหนเหมาะกับงาน

โมเดลมีสองที่มา

สไลด์ถัดไปพาไปเอาโมเดลจาก Store ลงบอร์ดทีละขั้น

ผู้สร้างโมเดล อยากเอาโมเดลที่เทรนเองเข้า Store: ดูภาคเสริมท้ายคาบ (ก่อนหน้าสถานะการทดสอบ) ว่าต้องทำอะไรที่ DEEPCRAFT Studio ได้ไฟล์อะไร และนำเข้าอย่างไร

ถ้าเจอปัญหาตอนส่งโมเดลหรือเปิดโมเดล

คำสั่งของ edge_ai ที่เราใช้ในคาบนี้

แกะโค้ดจริง — 01 บนบอร์ดมีโมเดลอะไรบ้าง

def main():
    ms = edge_ai.models()
    n_store = sum(1 for m in ms if m.get("builtin") is False)
    print("models:", len(ms), "| from Store:", n_store)
    for m in ms:                     # Console: ชื่อคลาสครบทุกตัว
        print(row_text(m), m.get("labels"))

    ui.screen()
    time.sleep_ms(150)
    ui.Label("Models on this board: %d  (Store %d)" % (len(ms), n_store),
             x=12, y=6, color=COL_TEXT, value=20)
    ui.Label("#  name  source  sensor  classes", x=12, y=36, color=COL_DIM, value=16)
    for i, m in enumerate(ms[:2 * ROWS]):
        col = COL_STORE if m.get("builtin") is False else (COL_BUILTIN if m.get("builtin") else COL_DIM)

edge_ai.models() คืนรายการ ลำดับ (index) คือตำแหน่งในรายการนี้

จำไว้: รายการโมเดลขึ้นกับสิ่งที่บอร์ดแต่ละตัวมีจริงในตอนนั้น บอร์ดของเพื่อนอาจมีโมเดลไม่เหมือนของเรา และถ้า deploy โมเดลเพิ่ม ลำดับก็เปลี่ยนตาม ลำดับจึงไม่ใช่ชื่อถาวร โปรแกรมควรหาโมเดลด้วยชื่อจากรายการของบอร์ดตัวนั้นทุกครั้ง

แกะโค้ดจริง — 02 หาด้วยชื่อ แล้ว select / stop

def find_model(keys):
    # (index, name) ของตัวแรกที่ชื่อตรง ไม่เจอ = None
    ms = edge_ai.models()
    for key in keys:
        for m in ms:
            if m["name"] == key:
                return m["index"], m["name"]
    return None

ชื่อต้องตรงทุกตัวอักษร: SirenDetection (จาก Store) กับ Siren Detection (ติดมากับบอร์ด) เป็นคนละโมเดล

02 ต่อ — select แล้ว stop ให้ครบ

                t0 = time.ticks_ms()
                try:
                    edge_ai.select(idx)          # รอจนแกน AI ยืนยัน
                    running = True
                    w["took"].text("select() took %d ms" % time.ticks_diff(time.ticks_ms(), t0))
                    w["say"].text("Running")

• select() รอจนแกน AI ยืนยัน อาจช้าได้หลายวินาที จอจะนิ่งช่วงนั้น จึงขึ้นป้าย "กำลังโหลด" ก่อนเรียก
• start() เปล่า ๆ หลัง stop() จะรันโมเดลลำดับ 0 ไม่ใช่ตัวที่เลือกไว้ ดูชื่อบนจอเสมอ
• เลือกด้วยเลขที่ไม่มีบนบอร์ด จะต้องรอ 15 วินาทีกว่าจะรู้ว่าไม่สำเร็จ

แกะโค้ดจริง — 03 อ่านผลสด ๆ ให้ถูกวิธี

        while time.ticks_diff(time.ticks_ms(), t0) < RUN_S * 1000:
            r = edge_ai.result()
            if r is None:
                n["None"] += 1                   # ยังไม่มีผลเลย
            elif r["index"] != idx:
                n["other"] += 1                  # ผลของโมเดลอื่น
            elif r["seq"] == last_seq:
                n["same"] += 1                   # ผลเดิม ยังไม่มีผลใหม่
            else:
                n["new"] += 1
                last_seq, lat, fresh = r["seq"], lat + r["latency_ms"], r
            now = time.ticks_ms()

ช่องที่ใช้: label (คลาสที่ชนะ) · conf (0 ถึง 1) · scores · seq · latency_ms · running · index

03 ต่อ — กับดักสามข้อของ result()

1. หลัง select() ผลแรกอาจเป็น None เพราะโมเดลยังไม่ตอบ ต้องตรวจก่อนใช้
2. ผลใหม่ดูจาก seq ที่เปลี่ยน อ่านถี่กว่าที่โมเดลตอบก็ได้ผลเดิมซ้ำ อย่านับว่าเป็นผลใหม่
3. หลัง stop() ยังได้ผลเก่าค้างอยู่ ดูช่อง running

ถ้ามีคนเปลี่ยนโมเดลจากเมนู Edge AI ระหว่างที่โปรแกรมเรารัน ผลที่ได้จะเป็นของตัวอื่น ให้เช็ก r["index"] ทุกครั้ง

อย่าเชื่อผล AI ทีละผล — 04 กรองสองชั้น

def alert_rule(hist, alerting, danger):
    # hist = ผลล่าสุดไม่เกิน WINDOW_N ตัว (1 = อันตราย) · คืน (hist ใหม่, เตือนไหม)
    hist = (hist + [int(danger)])[-WINDOW_N:]
    hits = sum(hist)
    return hist, hits >= CONFIRM_N or (alerting and hits > 0)

1. conf ต่ำกว่า CONF_MIN ไม่นับ
2. คลาสอันตรายต้องชนะ CONFIRM_N ครั้งใน WINDOW_N ผลล่าสุดจึงเตือน (ตัวอย่างใช้ 3 ใน 5)
3. หายเตือนเมื่อ WINDOW_N ผลล่าสุดไม่มีคลาสอันตรายเลย

ทำไมต้องกรอง — AI ตอบผิดได้ แม้มั่นใจสูง

ลองเล่น 04 — ดูตัวนับสองตัวห่างกันแค่ไหน

วางบอร์ดนิ่ง แล้วทำตามลำดับ

1. วางนิ่ง
2. เขย่าเบา ๆ สั้น ๆ
3. เขย่าแรงค้างไว้ 3 วินาที

จอมีสองตัวนับ: ป้ายดิบเปลี่ยนกี่ครั้ง กับ เตือนจริงกี่ครั้ง ตัวแรกมากกว่าตัวที่สองเท่าไร นั่นคือสิ่งที่กฎ "k ใน n" ช่วยกันไม่ให้ไปเตือนผิด

Emulator: ท่าเขย่ามั่นใจได้ไม่ถึง 55% ตั้ง CONF_MIN = 50 ก่อนลอง ไม่งั้นไม่เตือนเลย

แกะโค้ดจริง — 05 ให้บอร์ดเรียกเรา (callback)

def on_result(r):
    # เรียกจากบอร์ด: เก็บแล้วกลับ (ห้ามวาดจอ ห้ามรอ)
    got["n"] += 1
    got["last"] = r

        edge_ai.select(idx)

• callback ต้องสั้น เก็บผลไว้แล้วกลับทันที งานจอทำในลูปหลัก
• ก่อน stop() ให้ edge_ai.on_result(None) เลิก callback ก่อน
• ใน callback ให้อ่านด้วย r.get() เสมอ เพราะบางครั้งมีแค่ top conf label

วัดจริง — callback กับวนอ่าน ได้จำนวนไม่เท่ากัน

AnomalousVibration วางนิ่ง 10 วินาที

บอร์ดเรียก callback เมื่อ คลาสที่ชนะเปลี่ยน ถ้าไม่เปลี่ยนก็เรียกไม่เกินวินาทีละครั้ง และไม่เรียกเลยตอนรันหลายโมเดลพร้อมกัน

เลือกใช้: อยากรู้ "ตอนที่ป้ายเปลี่ยน" ใช้ callback · อยากได้ทุกผลละเอียด ใช้วนอ่าน

ผลจริงบนบอร์ด Eva Kit — ตัวอย่าง 01 ถึง 04

AI Model Lab — เอาทุกขั้นมารวมเป็นหน้าจอเดียว

ตัวอย่างหนึ่งไฟล์ต่อหนึ่งโมเดล (1/2)

อยู่ที่ short_courses/smart_farm/s3/models/ ของคอร์ส Smart Farm

ตัวอย่างหนึ่งไฟล์ต่อหนึ่งโมเดล (2/2)

โมเดลที่ติดป้าย (ทดลอง) ผลยังไม่นิ่ง ใช้เพื่อดูความสับสนของโมเดล ไม่ใช่เพื่อใช้งานจริง

ใครคุมแกน AI อยู่ตอนนี้

เมนู Edge AI บนบอร์ดกับโปรแกรมของเราใช้แกน AI ตัวเดียวกัน ถ้ามีคนเปลี่ยนโมเดลจากเมนูระหว่างที่โปรแกรมเรารัน ผลที่ result() คืนจะเป็นของโมเดลอื่นทันที

• ก่อนเริ่ม ถ้าเมนู Edge AI กำลังรันโมเดลอยู่ ให้กด Stop ที่เมนูก่อน
• ระหว่างรัน เช็ก r["index"] ว่ายังเป็นโมเดลของเรา
• เลิกโปรแกรมให้ stop() เสมอ ใส่ไว้ใน finally ตามที่ตัวอย่างทำ

กับดักที่เจอในคาบนี้ — รวมไว้หน้าเดียว

Smart HMI สี่ชุด — เลือกชุดที่ทีมสนใจ

• ทุกชุดใช้กฎ conf + "k ใน n" (3 ใน 5) ของตัวอย่าง 04 ก่อนเชื่อผล และไม่มีเสียงออกจากบอร์ดโดยตั้งใจ
• 06 ต้อง deploy AnomalousVibration ก่อน (ไม่มีจะใช้ Motion Detection) · 09 ต้อง deploy Voice Commands · 07 กับ 08 ใช้โมเดลที่ติดมากับบอร์ด
• ในไฟล์มีตัวแปร DEMO ให้คงเป็น False ไว้

ตัวอย่างเพื่อการเรียน ไม่ใช่อุปกรณ์ความปลอดภัยหรืออุปกรณ์การแพทย์

จอจริงบน Eva Kit 1.7.8 — Smart HMI สี่ชุด

สถานะสามขั้น แบบแผงควบคุมจริง

• เหตุหายเองก็ยังเตือนค้าง จนกว่ามีคนรับเรื่อง จอจริงต้องเป็นแบบนี้ ไม่งั้นเหตุสั้น ๆ จะหายไปโดยไม่มีใครรู้
• 06 กับ 07 กลับ normal ได้ด้วยปุ่มเท่านั้น (ซ่อมเสร็จ ปิดงาน / รีเซ็ต) และกดได้เมื่อเหตุหายแล้วเท่านั้น
• 08 กลับ normal เองเมื่อเด็กหยุดร้องหลังมีคนรับทราบแล้ว (MANUAL_RESET = False)
• 09 ไม่ใช่เหตุ แต่เป็นคำสั่ง: left / right เลือกห้อง · up / down ปรับความสว่าง · go เปิด · stop ปิด คำเดียวกันต้องชนะ 3 ใน 5 ก่อนทำ และพูดค้างนับครั้งเดียว

แกะโค้ดจริง — สถานะถัดไป และ snapshot()

def step(state, alerting, act, manual):
    # สถานะถัดไป · act = แตะปุ่มหลัก · manual = ต้องกดรีเซ็ตเอง · คืน (สถานะใหม่, ถูกปฏิเสธไหม)
    if state == "normal":
        return ("alert" if alerting else "normal"), False
    if state == "alert":                         # เหตุหายเองก็ยังเตือน จนกว่ามีคนรับทราบ
        return ("ack" if act else "alert"), False
    if not alerting and (act or not manual):     # state == "ack"
        return "normal", False
    return "ack", act and alerting               # ยังพบเหตุอยู่ = รีเซ็ตไม่ได้


def snapshot():
    # ผล AI ทั้งหมดใน dict เดียว json.dumps ได้ทันที - คาบ 12 ส่ง dict นี้ขึ้น MQTT
    return {"id": TEAM, "kit": KIT, "model": S["model"], "label": S["label"], "conf": S["conf"],
            "state": S["state"], "events": S["events"], "n": S["n"]}

step() กับ snapshot() เหมือนกันใน 06 07 08 ต่างกันแค่ค่าตั้งต้นและหน้าจอ · 09 ใช้ snapshot() แบบเดียวกัน แต่ state เป็น on/off ของไฟ · คาบหน้าเราส่ง snapshot() ขึ้น MQTT

ทั้งสี่ชุดต่อยอดจากแม่แบบใน BENTO HMI Studio

งานในคาบ — แผน 3 ช่วง

ช่วงที่ 1 (ทำตาม) เตรียมบอร์ดตามส่วนที่ 1 แล้วรันตัวอย่าง 01 ถึง 03 บนบอร์ด จดว่าบอร์ดคุณมีโมเดลอะไร ลำดับเท่าไร

ช่วงที่ 2 (ปรับ) เลือก 1 โมเดลที่คุณสนใจ รัน 04 กับโมเดลนั้น ปรับ CONF_MIN CONFIRM_N WINDOW_N ให้เตือนตอนที่ควรเตือน และเงียบตอนที่ควรเงียบ

ช่วงที่ 3 (ตาราง Model Tour) ลอง AI Model Lab กับอย่างน้อย 3 โมเดล จดในใบงาน: ชื่อโมเดล เซนเซอร์ คลาส ที่ลองแล้วได้ผลอย่างไร และโมเดลไหนที่ผลสับสน

ต่อยอด (ถ้ามีเวลา) เลือก Smart HMI หนึ่งชุด (06 ถึง 09) แล้วลองตามแถว "ลองเล่น"

ใช้ Emulator ได้ในช่วงที่ 1 และ 2 (มีเฉพาะโมเดลในตัว ผลเป็นผลจำลอง)

ภาคเสริมสำหรับผู้สร้างโมเดล — ไฟล์เดินทางอย่างไร

ถ้าคุณจะเอาโมเดลที่ เทรนเอง ไปรันบนบอร์ด ไฟล์ต้องผ่านสามที่ แต่ละที่ทำอะไร ได้ไฟล์อะไร อยู่ในหน้าถัดไป

จำสั้น ๆ ส่ง 5 ไฟล์จากโปรเจกต์เดียวกัน เข้า Local Edge AI Store แล้วร้านแปลงเป็นโมเดลของบอร์ดให้เอง ไม่ต้องแปลงเป็น .tflite ก่อน

ขั้นที่ 1 — ที่ DEEPCRAFT Studio: เทรน แล้ว Generate Code

1. เทรนโมเดลให้เสร็จ (โมเดลไมโครโฟน: เก็บเสียงที่ 16 kHz เท่านั้น เพราะไมค์บนบอร์ดทำงานที่ 16 kHz)
2. เปิดไฟล์โมเดล *.h5 ในโปรเจกต์ แล้วคลิกแท็บ Code Gen ทางซ้าย
3. Architecture = Infineon PSOC · Target Device = PSOC Edge M55/U55
4. ติ๊ก Enable Network Quantization และเลือก Use Project file (.improj) ให้ Studio ใช้ข้อมูลของโปรเจกต์เป็นตัวสอบเทียบ (โปรเจกต์ตัวอย่างที่เราทดสอบมี calibrationData.npz อยู่ในโฟลเดอร์ Infineon)
5. กด Update Dependencies (ครั้งแรกครั้งเดียว) แล้วกด Generate Code ได้ model.c กับ model.h ในโฟลเดอร์ Output Directory (ค่าเริ่มต้นชื่อ Infineon)

ระวัง ใช้เฉพาะเลเยอร์มาตรฐาน (Conv1D, Conv2D, Dense, BatchNormalization, Activation, Dropout, Flatten, Reshape, Pooling) ห้ามมี Lambda ร้านจะปฏิเสธ · ไม่เกิน 8 คลาส

ที่มา: เอกสาร DEEPCRAFT Studio หัวข้อ Code Generation for Infineon PSOC boards

ขั้นที่ 2 — ได้ไฟล์อะไรมา และอยู่ตรงไหน

วงสีแดง = ต้องส่ง · วงสีเขียว = ไม่บังคับแต่ควรส่ง

ทั้ง 5 ไฟล์ร้านเอาไปทำอะไร

กฎข้อเดียวที่ต้องจำ ทั้ง 5 ไฟล์ต้องมาจาก โปรเจกต์เดียวกัน และการ Generate Code ครั้งเดียวกัน ถ้าเอา model.c ของรอบหนึ่งมาคู่กับ .improj ของอีกรอบ ร้านจะเทียบค่ากันแล้วปฏิเสธ (MODELC_IMPROJ_MISMATCH)

ขั้นที่ 3 — นำเข้า Local Edge AI Store ทีละขั้น

1. เปิด https://edgeai-store.tesaiot.dev/ แล้ว Sign in with GitHub (ไม่ต้องสมัครใหม่ ใช้บัญชี GitHub ของคุณ)
2. กดปุ่ม My models ที่มุมหัวเว็บ (ผู้ดูแลจะเห็นคำว่า Admin) แล้วกด Add a model
3. ขั้น Model file: ลากไฟล์ .h5 ใส่ แล้วเลือกไฟล์ที่เหลือในกรอบ "The rest of the DEEPCRAFT project" (.improj · model.h · model.c · calibrationData.npz) → กด Convert and continue (ราว 10 วินาที)
4. ขั้น Project values: ตรวจค่าที่ร้านอ่านมาให้ (sample rate · stride · ชื่อคลาส) ตั้ง model id ชื่อ และสัญญา
5. ขั้น Review → Save to catalogue

โมเดลของคุณเห็นเฉพาะคุณ (หน้า My models) จนกว่าผู้ดูแลอนุมัติ · แปลงได้วันละ 10 ครั้งต่อคน · มี .tflite อยู่แล้วก็ลากเข้าได้ แต่ต้องกรอกค่าหลายช่องเอง ทาง .h5 ง่ายกว่า

ถูกปฏิเสธ? ดูรหัสแล้วแก้ตามนี้

ร้านบอกรหัสกับเหตุผลเป็นภาษาคนอ่านได้ในหน้าจอ ตารางนี้คือรหัสที่เจอบ่อย

ก่อนกดส่ง — เช็กลิสต์ และข้อจำกัดที่พูดตรง ๆ

เช็กลิสต์ 5 ไฟล์มาจากโปรเจกต์เดียวกัน/Generate Code รอบเดียวกัน · โมเดลเสียงแบบ Speech Features มี model.c (แบบอื่นส่งด้วยจะได้ตรวจเทียบ) · เสียง 16 kHz · ไม่เกิน 8 คลาส · ไม่มี Lambda

"แปลงผ่าน" ไม่เท่ากับ "แม่นบนบอร์ด"

• โมเดลตัวอย่าง HelpClassification แปลงผ่านบนร้านจริงเมื่อ 2026-10-02 (ได้ 8,880 ไบต์ รันบน NPU 100%) แต่ชุดทดสอบอ้างอิง (golden) ครอบคลุมเสียงคลาส unlabeled คลาสเดียว ส่วน Blackground และ Help ยังไม่มีหลักฐาน
• ถ้าไม่ส่ง calibrationData.npz ร้านใช้ข้อมูลสังเคราะห์สอบเทียบ ความแม่นยำบนบอร์ดยังไม่ยืนยัน
• ขั้นเตรียมเสียงบนบอร์ด (mel) เราอ่านโค้ดเทียบแล้ว แต่ยังไม่ได้รันเทียบตัวเลขบนบอร์ดจริง
• ถ้าไม่ส่ง model.c ร้านตรวจไม่ได้ว่าโปรเจกต์กับโค้ดที่สร้างมาจากการ Generate Code คนละรอบหรือไม่

ทำเอง ลองโมเดลบนบอร์ดกับเสียงหรือการสั่นจริง ให้ครบ ทุกคลาส ก่อนบอกว่าใช้ได้ แล้วจดผลส่งผู้สอน

สถานะการทดสอบ — พูดตรง ๆ ว่าอะไรผ่านแล้ว

• Eva Kit เฟิร์มแวร์ 1.7.8: ผ่าน (2026-10-15) ตัวอย่าง 00 ถึง 05
• Dev Kit เฟิร์มแวร์ 2.4.3 ถึง 2.4.4: ตัวอย่าง 00 ถึง 05 ผ่าน 3 ใน 3 รอบทางปุ่ม Run ของ BENTO IDE · Smart HMI 06 ถึง 09 ยังไม่ได้ทดสอบบน Dev Kit
• Smart HMI 06 ถึง 09 Eva Kit เฟิร์มแวร์ 1.7.8 (2026-10-16): เปิดจอ หาโมเดลเจอ อ่านผลสดได้ ยังไม่ได้ลองให้เกิดเหตุจริง
• Emulator: ตรวจบนคอมด้วยโมดูลของ Emulator มีเฉพาะโมเดลในตัว ผลเป็นผลจำลอง

ถ้าคุณเจออะไรที่ไม่ตรงกับสไลด์ จดไว้แล้วบอกผู้สอน นั่นคือข้อมูลที่เราต้องการ

สรุปคาบ 11

• เตรียมบอร์ด: อัปเดตเฟิร์มแวร์ด้วย Welcome → เลือกบอร์ด → เลือกเฟิร์มแวร์ แล้วส่งโมเดลจาก Store ด้วย Connect a board → Deploy
• models() ดูรายชื่อ · select() เลือก · stop() หยุด · result() อ่าน · on_result() ให้บอร์ดเรียก
• หาโมเดลด้วย ชื่อ ไม่ใช่ลำดับ
• ผลใหม่ดูจาก seq
• อย่าเชื่อผลทีละผล: กรองด้วยความมั่นใจและ k ใน n
• Smart HMI: สถานะ normal → alert → ack และเหตุหายเองก็ยังเตือนจนมีคนรับเรื่อง · 09 ใช้คำสั่งเสียงคุมไฟ
• ผู้สร้างโมเดล: ส่ง 5 ไฟล์จากโปรเจกต์เดียวกันเข้า Store (.improj · .h5 · model.h · model.c · calibrationData.npz) ร้านแปลงให้เอง

คาบหน้า เอาผลที่อ่านได้วันนี้ส่งขึ้น MQTT พร้อมออกแบบว่า "ส่งเมื่อไร" รับคำสั่งกลับมาเลือกโมเดลได้ และดูผลของทั้งห้องบนแดชบอร์ดเว็บ

ไฟล์ของคาบนี้บน GitHub

กดชื่อไฟล์เพื่อเปิดอ่านหรือคัดลอก

• examples/s13/00_ai_model_lab.py
• examples/s13/01_models_on_board.py
• examples/s13/02_select_run_stop.py
• examples/s13/03_read_realtime.py
• examples/s13/04_confidence_gate.py
• examples/s13/05_on_result_callback.py
• examples/s13/06_hmi_machine.py
• examples/s13/07_hmi_safety.py
• examples/s13/08_hmi_nursery.py
• examples/s13/09_hmi_voice.py