
希望论坛支持 一下markdown,我的很多程序readme都是markdown写的。 最近ST弄了个创意大赛,我参加了AI组,今天特意分享了我的测试流程。markdown写的,所以凑合看。希望各位参加比赛的顺利完成,我在疫区所以官方H7-DISCO板子收不到,等![]() 测试记录,不详细描述怎么做的,一是我觉得手把手教别人怎么做,简直是害了别人,特别是学生,二是深度学习确实所需要知识点比较多,没办法展开。' M) V; q7 H% }% W3 I& ]2 ] 板子玩的开心就行!!!* T7 D2 M0 P+ S; i V% y # cifar10 在 nucleo STM32F767 平台的 测试7 |$ d0 M! P& A8 v! _" ^ ## 软件配置 ### win106 t* Z. M: }5 [/ s. w9 | 1. cubeMX 5.6.0 2. MDK 5.29a6 H% E9 ~1 l2 y/ @3 w, b% d 3. cubemx扩展包--cube.AI 5.0.09 L3 Y, t5 i: J f2 {, l" H ### ubuntu16.04 4 f# F" ~& F. l8 {* Q$ i9 m 1. tensorflow 2.1.0 (内含keras) 2. python 2.7 (ubuntu16.04 自带) 3. cifar10 训练数据 , T& f$ U, m: M; z ## 硬件配置 2 F3 n) a+ Y. J/ d) t 1. nucleo F767 2. 自制扩展板 3. SD卡 4. 扩展板 连接 ST-Link RX TX 引脚的杜邦线6 r5 W+ j! \9 O& ^9 R+ t$ x6 m ## 测试步骤 * 在 ubuntu16.04 的操作不叙述! x. j# d0 r$ A * 直接将转换的模型(模型约4MB),利用cubemx转换,暂称为STM32_AI_Model。 ![]() ![]() * 模型参数存储在W25Q128中,系统初始化时,QSPI进行内存映射,方便STM32_AI_Model读取模型参数。 * SD卡中读取29张测试图片均来自互联网,利用bmpconvST转换并缩小至32*32分辨率。 * RGB每个通道需要进行预处理,即R/255 G/255 B/2555 U! v3 v! E% v3 U; S0 r: T * 图片在STM32_AI_Model的模型输入数据组织应为: | R1 | G1 | B1 | R2 | G2 | B2 | ... | * 循环从SD卡读取BMPt图片,显示在LTCD驱动的屏幕上,经过STM32_AI_Model推理后的结果,串口打印出来。 推理结果的数据组织为:/ f) C2 o& L: c- T | C1 | C2 | C3 | C4 | ... | C10 |,每一哥数据代表对应种类的可能性。 ; `" l- Z0 J5 I * 可能性最大的即为推理最有可能的种类,cifar10即十种。9 R) z; S9 D6 w3 X1 D ## 测试结果 O& C' R3 N7 I% `" T5 G ### 串口打印:! f# c6 w7 v; s: U sd_card_mount_ok5 Y$ ~+ @# S U9 z1 t5 [$ n* C9 O airplane: 1.000 ** U l1 I* b3 ]) E airplane: 1.000 *& e7 g( }6 s- @: u# m automobile: 0.998 *% k. X6 g2 |3 f' c& o automobile: 1.000 * airplane: 1.000 x& Z+ V' a6 l4 o; \ dog: 0.584 x bird: 1.000 * dog: 0.999 x3 r+ Y; G6 S- F% n dog: 0.874 x frog: 1.000 x cat: 0.993 *$ ^6 z3 g5 b; _" S9 A# w0 ?+ S dog: 0.764 x deer: 1.000 *7 W1 S7 w5 W, m a* s" i airplane: 0.906 x% ^$ H( D W0 i' ^) @* N dog: 1.000 *# \. K$ D. g9 ~3 ~3 B. M dog: 0.999 *" t" k! N& C3 o6 \( V: b: G. M deer: 0.810 x bird: 1.000 x frog: 0.688 * frog: 1.000 *8 W2 _% D0 s; l, h6 S. j+ Y horse: 1.000 * horse: 1.000 * horse: 1.000 *0 p" o$ s" j# C4 E. w6 z4 f ship: 0.664 * ship: 1.000 ** _/ u, P6 R% F" u6 I) P ship: 1.000 * truck: 1.000 *4 R6 _5 H, h4 B9 }! J ship: 0.658 x truck: 1.000 *3 L& @) U! v! n$ @) ` 0 |1 r$ P; t5 T' r7 p  ![]() ![]() - B6 D3 Y8 y: {! u4 B ### 测试准确率5 \% ?7 `7 M7 s: n9 K! a ) ~+ \) p$ m+ V- B, D * 19/29*100%=65.5%$ c% T3 M& s6 m- v - M- @. o5 s2 b; m' H ### 测试总结 * 图片中比较常见的东西模型很容易辨认,图片第二行第三个是青蛙头上有一个蜗牛,辨认错了,还有四只猫居然只对了一只,其余的比较正常,毕竟图片分辨率不高。& P6 x/ y1 y3 ^$ R2 t * 由于我是用的深度学习模型是cifar10测试准确率比较高的,所以模型比较大,计算复杂,STM32F7推理时间约四五秒。 . q! ]- V0 E) Q0 P' T8 J' i+ i; V 9 x' v/ C$ T6 v$ c% l) d / U, j$ l8 G% _5 o * [+ q2 D* ]5 t2 R4 }4 a. a * |0 i4 \. b+ K/ n3 O# U |
【STM32N6570-DK评测】1.开箱测评
【STM32N6570-DK评测】1.你好N6
实战经验 | STM32 AI Model Zoo 的安装及实例介绍
【STM32H7S78-DK评测】移植AI框架TensorFlow【DSP指令加速篇】
【STM32H7S78-DK评测】移植AI框架TensorFlow【下篇】
【STM32H7S78-DK评测】移植AI框架TensorFlow Lite【上篇】
【STM32H7S78-DK评测】移植边缘AI推理框架——TFLM(TensorFlow Lite for Microcontrollers)上篇
破解边缘AI硬件与软件挑战,意法半导体解读三大创新要点
意法半导体助力企业产品智能化,加快边缘人工智能应用
STM32不至于芯,2023济南站研讨会
@楼主,只是想告知一下Markdown的编辑器已经就位,欢迎楼主输出更多关于AI方面的见解
两年了,很少逛论坛了
哈哈, 欢迎多回来逛逛,提提宝贵意见+ b* z3 Z! C* R+ i) `$ ^3 W