01
4 s& L, c% l5 A2 o: q( u简介

- e: Z& o  Z8 g8 c5 s: }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。
3 f0 m8 N- N$ y; g+ c本文将以手势识别为例，介绍Model Zoo的使用。
4 C2 v" m) ^0 D
. c: ?0 J" ?# `7 j7 ?6 r02
环境安装
9 }7 K1 e* l+ Y7 J/ [
详细的安装步骤可以参考ST的wiki页面。

9 V" {3 ]: G; j2 A1 p+ t3 k2.1. 设置代理等环境变量

+ e+ p+ W3 b' m; c+ ^4 O1 ]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：

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。

, K" G4 [' [6 S% {2.2. 安装 STM32Cube.AI
  [% g* v+ D# ?( N9 k
可以使用云端的STM32Cube.AI Developer Cloud, 也可以在本地安装STM32Cube.AI。
* L0 O# s0 P* D  D% |
0 o1 L- |* T9 I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。

+ Z' A. x' ~0 f如果使用本地，可以通过CubeMX进行安装。

2.3. 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
# N3 M/ G2 R+ w: ]4 n1. 使用Git：git clone https://github.com/STMicroelectronics/stm32ai-modelzoo.git
2. 使用zip：从git仓库中下载zip压缩包，解压即可。
5 P  j9 I( o) B# b7 i
; E+ r% I2 r9 _# |7 ?; q5 n' O% A- T2.4. 安装Python环境
: M0 ^& }6 O; W4 I1 c
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。
9 ~3 j3 \/ I% U9 i( E) O( r% V" o/ s
2.5. 安装STM32CubeIDE
4 [5 [( _) c- B
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。
+ t+ {* i! ]# D7 ~, Q
2.6. 更新yaml文件
0 [" R$ m: R- V# ?9 A: ~1 |
Model 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/
! F# L% Q6 z5 W) }3 A% s2 C
03
手势识别应用
; U4 z! ]# ]2 Y4 d2 o
4 a, P( j4 Z. R+ I7 P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。
) W+ z8 W9 W( }9 d2 S" E: B

▲ 图1. 部署环境和开发板

3.1. 数据集
, l% a) j9 d3 i8 A2 i$ i
4 u) c' ]7 S& U6 S. w5 K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：
6 }* _2 z+ S7 j/ c! [

▲ 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

/ w" _8 {1 j4 a0 V2 T3.2. 配置
3 p1 t; p9 O  a3 n. w
% q& [! o: @* I8 D8 E& N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。

) t3 m0 W5 |. H: d" v+ m, c1 A* v6 p3.2.1. 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。

▲ 图4. 选择模式

数据集的配置：
% R1 l( @) e* I' s, G# Z

▲ 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：
- c$ ~! v8 X7 [% V" }

▲ 图6. 预处理和数据增强

preprocessing:
4 E1 @" Y3 ^- N! R0 v  w- 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。
$ p7 p5 S3 a0 f3 g4 H. R% o- 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。
7 k* H  p6 E) U3 M
data_augmetation:
0 e* V6 B. m( h1 h: y- _  ]- l' O! ]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。
" A; |# i; `0 e& N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：
) V* C+ @. x9 E3 V/ n

▲ 图8. Tools的配置

6 j0 f. c) I* c6 Uon_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 c+ R- W' j/ _! Y- g( J2 Wpath_to_stm32ai和path_to_cubeIDE需要配置成自己本地STM32Cube.AI和 STM32CubeIDE的路径。
! ]1 x5 }) j4 }$ _# W* y
, j- ]- Q5 Z) |; J. [8 |; s- a3.2.3. 部署
" M% W6 d5 s& g' X: z4 |
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

3.3. 运行脚本

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。
& m8 b; F9 m2 I5 s. r; K8 |
3.3.1. 模型训练
$ M; b2 R2 [  Y( f直接运行脚本:
2 Z+ |6 I# }6 f➢ python stm32ai_main.py
$ G- q0 m; N2 ~或者指定模式运行脚本：
➢ python stm32ai_main.py operation_mode=”training”
' D, s- R0 o9 U: n2 M/ Q* H训练过程中的输出结果：
/ S3 A2 s! \# o7 D: v, w* H; ?

▲ 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
1 {" V& s! i# o0 g8 s进入logs所在目录（位于experiments_outputs/<时间戳>目录下），然后运行 tensorboard:
➢ tensorboard --logdir logs
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。
0 S- C( R$ s' J+ p

▲ 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：
9 e8 K6 S8 n2 U4 c' l( N➢ mlflow ui

▲ 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：
➢ python stm32ai_main.py operation_mode=”evaluation”
* \5 g+ O! T3 {: c+ Y* {! @9 u

▲ 图14. 配置文件和模型评估结果

3.3.4. 基准测试
  i* x1 h% Q7 K5 N3 J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”
8 e8 S/ w. @5 ]. `+ |3 }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

( f% e! |( F9 R- ~6 I* U# W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：
* P; k- R! r% V* E$ U➢ python stm32ai_main.py operation_mode=”deployment”

▲ 图16. 部署流程

3.5. 总结
+ R  c- E1 x4 ^' u4 q' g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。
" X' q8 N$ e4 [: ~, l" \
% z! e+ e0 J+ |5 f

▼▼▼

点击按钮下载《STM32 AI Model Zoo的安装及实例介绍》原文档。
( c, X0 w# k& C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

7 I8 }4 N2 S. [0 w8 E
8 X" z2 F1 c. z