01
+ s9 G3 e2 u. b& c! T6 u) O9 z: P  C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。
5 n1 B8 \% _# d8 p本文将以手势识别为例，介绍Model Zoo的使用。

" D& i  F; f3 X+ o- `; V& u02
环境安装
5 l5 \0 T1 X2 x0 |# f: X- S
详细的安装步骤可以参考ST的wiki页面。

0 L0 i* C  {1 h" w3 D/ [2.1. 设置代理等环境变量

! E9 u! M- x& E4 P( M' f6 c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：
7 ^" j+ S$ s3 x2 A6 ~- l# ?

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。

2.2. 安装 STM32Cube.AI
9 P6 Y7 v3 l. ^) `% F* T+ Z
可以使用云端的STM32Cube.AI Developer Cloud, 也可以在本地安装STM32Cube.AI。

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。

如果使用本地，可以通过CubeMX进行安装。

; \3 Q) \' n4 @7 x; F  n2.3. 安装STM32 model zoo

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
$ R/ Q7 a& y: [/ R# [& g. t1. 使用Git：git clone https://github.com/STMicroelectronics/stm32ai-modelzoo.git
; t! u0 W2 Y2 c7 T& }  o2. 使用zip：从git仓库中下载zip压缩包，解压即可。
) {% y/ o- r% j. B
2.4. 安装Python环境
6 t( p+ l) l; ^* {' K. i
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。
2 F; G3 R6 g5 B) u3 u0 k8 N' s
, h* F: u: b# J5 P( C2.5. 安装STM32CubeIDE
2 M# U1 Z! e6 n4 t+ K, X/ Y1 t8 f2 i
6 D% h" b- J( E2 Q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

1 ?$ f6 v$ v' |# lModel 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。
2 M: B: S9 [4 \+ k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/

1 `4 J! R+ h  W) g03
) s5 U2 O3 a, P1 Q; e4 j" Y9 G手势识别应用
# b" q# v: o+ \1 b" J
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。
& k7 I; L+ c  [' n$ F, A: P4 r1 }

▲ 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：

▲ 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。
4 {" X( F5 I* i' C

▲ 图3. 手势数据采集和标记工具

6 \" {/ R9 K+ y8 M3.2. 配置

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。
: I7 w3 N' P6 y& \+ @. l8 B
  ~$ k: t1 k2 j5 U) J  P3.2.1. 训练
  k  F: h# C. E; o2 @, g操作模式operation_mode的配置
; s% v; I7 P& K! x$ U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。
1 e0 K: E) s* a  s& k( q( S

▲ 图4. 选择模式

数据集的配置：

▲ 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。
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。
- 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。
7 f9 \- Z; ~( l% M9 C. l- 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。

( Q( |$ K8 g2 O# C3 Cdata_augmetation:
6 y$ g: x' g3 G# `6 k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。
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：

▲ 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。
, C. E+ Y0 F+ `, @# w+ V" N
path_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
8 b3 W) a8 J+ C0 C
  _5 r, E! v' W9 r! Q0 v# g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：

▲ 图9. 部署相关的配置

3 v; |; K' w! n( L7 u* M3.3. 运行脚本
1 |$ e5 z1 ~; e( U8 v) f
9 F# u; L4 f$ d( E% F8 |3 M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。

5 o; R% c( A8 _3.3.1. 模型训练
4 V0 Q* H- Q/ _# s直接运行脚本:
8 J  j4 O5 H! c' \3 a  c' a➢ python stm32ai_main.py
或者指定模式运行脚本：
5 t$ z. p" R- Z  j➢ python stm32ai_main.py operation_mode=”training”
训练过程中的输出结果：
# c1 r1 O% S* L& Q, }6 P# }8 ]

▲ 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 t' J) [* m' {( G" P. @3.3.2. 可视化训练结果
进入logs所在目录（位于experiments_outputs/<时间戳>目录下），然后运行 tensorboard:
1 B5 ]# u# G0 _1 b. Z➢ tensorboard --logdir logs
$ z7 y' Z( q1 Y& C4 x; Y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。

▲ 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：
➢ mlflow ui
% m* D+ K- H7 n0 l* `& W4 Y/ q

▲ 图13. Mlflow界面

3.3.3. 模型评估
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：
! J% s; _5 Q1 Q" ]; s" ~2 o$ o➢ 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
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：
➢ 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：
  ?- }( k1 l6 A7 G

▲ 图15. 配置文件和基准测试

3.4. 部署
5 x2 v+ R5 B2 O* R, H
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：
➢ 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。
* K) o- ^! D8 c& `! }/ M' R5 ?

▼▼▼

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


, e4 J& G; S: g/ W" t( V1 ^