01
6 q7 v$ F+ i7 h8 f5 I% U. J+ o简介

STM32 Model Zoo是指ST在github上开源的AI相关模型仓库，其包含的应用包括：手势识别，人体活动姿态识别，图片分类，目标检测等相关应用代码，用户可以使用其中的代码进行简单的配置并进行训练，然后使用STM32Cube.AI工具或STM32CubeAI Developer Cloud 得到模型的Flash，Ram等情况，并进行模型的测试验证，然后部署到开发板中。
. e' y2 U# ^5 V$ A. s' s+ h本文将以手势识别为例，介绍Model Zoo的使用。

  ^+ B1 W) R$ v1 ?& y9 p02
环境安装

# s2 l' R' Q1 I* K' s2 Y详细的安装步骤可以参考ST的wiki页面。
% v' O, A3 m; H% D$ l1 L/ A8 v
# S! G/ x- A% E2 r# v2 x3 p2.1. 设置代理等环境变量

5 ]4 u) M; `1 i( F为了后续使用pip进行python包的安装过程顺利进行，需要设置好代理。需要设置的环境变量包括：
6 c+ Q( `' D" r

注意特殊字符需要编码成utf-8格式，比如@要替换为%40，其他的特殊字符包括%、@、&、!等。stmai_username 和stmai_password 可以不设置，如果不设置，每次访问 stm32CubeAI Devleloper cloud 都需要手动重新输入用户名和密码。
, c! c/ c' j- m  b, E
2.2. 安装 STM32Cube.AI
0 ]/ w; o# c2 L  n7 N+ k! f
可以使用云端的STM32Cube.AI Developer Cloud, 也可以在本地安装STM32Cube.AI。

7 o  ^/ d, U& _. e如果使用云端，需要保证网络连接，并且注册 myST 账号，确保自己可以正常访问 STM32Cube.AI Developer Cloud 网站。
) n( w' q6 x- ^3 m
如果使用本地，可以通过CubeMX进行安装。
* i; K. I) H* d9 h9 I$ M- e
2.3. 安装STM32 model zoo
0 @& h  p7 m9 v3 i+ S3 }
可以使用git或使用zip包获取STM32 model zoo相关的代码。github仓库位于：https://github.com/STMicroelectronics/stm32ai-modelzoo
9 g* P. y3 p% _, F: ?! H& e1. 使用Git：git clone https://github.com/STMicroelectronics/stm32ai-modelzoo.git
0 `% T& e/ r4 }0 V# y2. 使用zip：从git仓库中下载zip压缩包，解压即可。
. y$ b# s. ]2 @& {& ^
8 c$ W# z$ p$ n1 o. Z2.4. 安装Python环境

如果没有本地Python，需要安装好Python，推荐Python v3.10.x。可以使用 Python 或miniconda来管理python环境，推荐使用miniconda。具体安装步骤请参考上文提到的ST WIKI页面。
8 v$ r3 W+ @  s5 Q7 D' C
2.5. 安装STM32CubeIDE

4 j/ ~1 `1 U9 g8 T需要安装STM32CubeIDE 来重新编译生成的固件，安装包可以通过ST官方网站下载。注意：STM32CubeIDE 和 STM32Cube.AI 的安装路径不要有空格，否则可能会出错。

2.6. 更新yaml文件
0 A, W. q/ U: F
) @7 \  ?& L9 N+ c$ D. O. F# rModel zoo 中的所有yaml中的path_to_stm32ai 和path_to_cubeIDE，需要和本地的安装目录保持一致。
注意：Model zoo使用mlflow管理生成的模型，Windows的最大路径长度限制为 256,可能会导致问题，建议通过注册表修改LogPathsEnabled为1避免该问题。该键位 Computer/HKEY_LOCAL_MACHINE/SYSTEM/CurrentControlSet/Control/FileSystem/

$ X$ I: b  A. ~9 A) o03
手势识别应用

2 W3 D5 q" Q% y$ u9 I. q' J( C手势识别应用位于stm32ai-modelzoo的hand_posture目录下，使用ST的TOF传感器VL53L5CX或VL53L8CX采集数据。用于识别静态的手势，比如like, dislike, love 等手势。其demo应用部署在NUCLEO-F401RE和X-NUCLEO-53LxA1扩展板组合的开发板上。
( Z! o- f$ p( A9 t8 ]

▲ 图1. 部署环境和开发板

3.1. 数据集

手势识别应用的数据集可以直接使用hand_posture/datasets/目录下的数据集文件：ST_VL53L8CX_handposture_dataset.zip，解压后的数据集如下图所示：
) J1 j7 w+ E8 B

▲ 图2. 手势数据集

也可以使用ST提供的数据采集和标记工具STSW-IMG035_EVK，进行数据采集和标记。点击进入工具的下载地址。

▲ 图3. 手势数据采集和标记工具

3.2. 配置

+ ?2 q7 c1 g' _! N+ W# \" y/ b在stm32ai-modelzoo\hand_posture\src目录下，有user_config.yaml配置文件，里面可以对各种参数进行配置。
) q+ J( m0 ]- @2 J. ~- s! V
) e7 H/ i6 @; x" h: J3.2.1. 训练
操作模式operation_mode的配置
操作模式选择training可以进行模型训练，其他可选择的操作模式包括evaluation, deployment, benchmarking。
) w$ r! H% e3 f+ o

▲ 图4. 选择模式

数据集的配置：
! O7 V) m- ?8 g1 W- H

▲ 图5. 数据集配置

数据集可以来源于仓库的数据集，也可以来源自自己采集的数据，其内容需要和文 件stm32ai-modelzoo\hand_posture\src\utils\handposture_dictionnary.py的数据一致。验证集可以不指定，默认将使用数据集内的20%作为验证。
4 |/ Y; {# g3 x) ^* [预处理和数据增强的配置：

▲ 图6. 预处理和数据增强

preprocessing:
- Max_distance：单位为mm，代表传感器的最远距离，如果超过这个距离，就 从数据集中丢弃该帧。
. v4 _5 o, H/ M# t  B7 E- Min_distance：单位为mm，代表传感器的最远距离，如果小于该距离，则从 数据集中丢弃该帧。
- Background_distance：单位为mm，手势背景的最大间隔，超过这个间隔的 区域将会被忽略掉。
: A# q9 k+ l, `3 y% K
/ a8 e+ _+ q$ c6 p" gdata_augmetation:
; Y+ j% a% A# d8 Z& q使用数据增强可以在一定程度上提升模型的泛化能力，并且当数据比较少的时候可以补充数据集，目前支持的增强模式包括：水平翻转，垂直翻转，水平+垂直翻转。
5 J- W! J( s  T0 Z  e# F, `8 S训练参数的配置：训练参数的配置如下图7所示，具体内容不再赘述。

▲ 图7. 训练参数的配置

3.2.2. 评估
操作模式operation_mode选择评估（evaluation）可以进行模型评估，评估的内容主要包括模型flash,ram的占用量,模型的执行时间等。tools的配置如下：
7 [4 z7 C# a5 p" X5 {* @

▲ 图8. Tools的配置

on_cloud：是否需要使用STM32Cube.AI开发者云对模型进行评估，如果不使用云，选择False，则可以使用本地的Cube.AI工具。
8 O' B) ~: u* A6 V
5 Q" ~; h! _9 }% A3 ]* apath_to_stm32ai和path_to_cubeIDE需要配置成自己本地STM32Cube.AI和 STM32CubeIDE的路径。

3.2.3. 部署

% w# K4 w* W. k; c$ ~操作模式operation_mode选择部署（deployment）可以进行模型部署。当需要部署到ST开发板进行测试时，需要确保以下配置都正确：
5 ^7 E+ p6 U& e1 R, W" f) t2 U

▲ 图9. 部署相关的配置

: j5 J: w1 t6 V9 f; q# g! o3.3. 运行脚本
9 z- N' Z& v& E% G+ O+ w5 x( R4 [
( l" H9 ~4 ?, `在安装好python环境，并且配置好配置文件之后，就可以运行脚本进行训练，部署或评估流程了。
$ T9 w8 V( Q# K8 O9 Q% a* y2 _# I
3.3.1. 模型训练
. `8 t# F6 e/ t直接运行脚本:
# w7 z1 Z) c9 c6 d3 Z➢ python stm32ai_main.py
' Y3 }: T1 K* i- ?5 ]或者指定模式运行脚本：
7 r* c$ Z0 ?2 u. f➢ python stm32ai_main.py operation_mode=”training”
训练过程中的输出结果：
5 z! C) G: J- A' ?+ Q4 m

▲ 图10. 训练中的输出结果

▲ 图11. 混淆矩阵

训练完成的结果保存在：experiments_outputs/<时间戳>目录下，包含了训练的log，训练曲线，混淆矩阵，模型等信息。

3.3.2. 可视化训练结果
( z; O0 \  E8 {进入logs所在目录（位于experiments_outputs/<时间戳>目录下），然后运行 tensorboard:
" \- M; D' U" v# ^1 z) m➢ tensorboard --logdir logs
+ k; u7 G/ K: @7 z7 {+ N打开网页后，可以看到整个训练过程中的曲线，比如loss曲线，学习率曲线，epoch 曲线等等。
1 j- o  ^0 }7 L! J5 n

▲ 图12. 准确率曲线

也可以通过mlflow查看实验过程中保存的参数信息，模型实验对比信息等等。进入experiments_outputs目录，然后执行以下命令：
( H$ Z4 h0 g( I/ Y➢ mlflow ui

▲ 图13. Mlflow界面

3.3.3. 模型评估
$ i8 H6 J3 y& E) F0 u. ?9 Y4 s0 \将上一步生成的模型路径，填写到user_config.yaml的model_path目录中，然后运行以下命令，可以查看运行模型评估脚本，并查看结果：
➢ python stm32ai_main.py operation_mode=”evaluation”

▲ 图14. 配置文件和模型评估结果

3.3.4. 基准测试
- A! L& \+ W$ T6 p在上一步完成后，可以运行以下命令，进行模型的基准测试，可以获取模型的flash， ram，macc等信息：
. a" q, c5 n+ G$ Q: i➢ python stm32ai_main.py operation_mode=”benchmarking”
如果不使用开发者云，使用本地的STM32CubeAI，需要将on_cloud改为False，如下图：

▲ 图15. 配置文件和基准测试

3.4. 部署
& t0 M' K7 x9 h7 ~6 r0 v1 S
. Z2 @1 f: J  C% l连接好开发板，设置好STM32CubeIDE的路径后，运行以下命令可以编译工程并部署到开发板：
5 N. _; U+ m4 p5 y  J1 R2 R& v➢ python stm32ai_main.py operation_mode=”deployment”

▲ 图16. 部署流程

3.5. 总结
本文介绍了STM32 model-zoo的基本内容，并以手势识别为例，介绍了具体的使用方法，包括模型训练，如何查看模型训练后的结果以及如何部署模型。对于其他model zoo 内的应用案例，感兴趣的话可以去github上下载整个仓库，然后进行阅读并使用。
7 e0 g3 T5 F8 I

▼▼▼

点击按钮下载《STM32 AI Model Zoo的安装及实例介绍》原文档。
点击下载
LAT6021_在STM32MP13x系列MPU上裸跑应用程序_v1.0.pdf (3.43 MB, 下载次数: 46)

2025-2-6 09:22 上传

点击文件名下载附件

& K6 m+ K% e0 A4 p# k