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 ,有什么问题的话论坛私信我不能及时回复,可以在我别的帖子找我的联系方式。$ C5 ?1 i% |& \4 J- n! ]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。 m5 O1 B/ g) _7 o! b1 B+ A+ R$ z) V 板子玩的开心就行!!! # cifar10 在 nucleo STM32F767 平台的 测试 ## 软件配置% r0 P+ m7 v5 R+ q- f ### win10 1. cubeMX 5.6.03 E E# e" R, C- p0 Z 2. MDK 5.29a9 M) b3 Q7 P" I1 [ I% w4 w9 ]7 J @ 3. cubemx扩展包--cube.AI 5.0.0 ### ubuntu16.04 3 y! Y! i: n$ Y 1. tensorflow 2.1.0 (内含keras) 2. python 2.7 (ubuntu16.04 自带)% x; e# u) }/ V 3. cifar10 训练数据 H2 T6 V) {3 n+ H+ s/ y! i$ X ## 硬件配置 0 Z& S/ \8 u, ~- k- e9 U 1. nucleo F7676 \; y4 h' M" B, ~/ J 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3 Q' D- r f( Z$ x) S, m ) W7 b: k4 v6 g7 e ## 测试步骤 4 |3 T' D9 {6 V+ v$ G% v( y6 P * 在 ubuntu16.04 的操作不叙述 * 直接将转换的模型(模型约4MB),利用cubemx转换,暂称为STM32_AI_Model。
: Q6 T, h4 \% {, p. M& Y * 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/255! [+ @4 Z& x$ R7 p7 ]! F * 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: | C1 | C2 | C3 | C4 | ... | C10 |,每一哥数据代表对应种类的可能性。 * 可能性最大的即为推理最有可能的种类,cifar10即十种。 % L' g/ t! `6 R% Y6 O+ `2 I- @ ## 测试结果 ### 串口打印: sd_card_mount_ok& v: e5 t1 E e4 n+ L2 | airplane: 1.000 *" b V* b+ x/ ~+ m0 X- V5 H9 z airplane: 1.000 * automobile: 0.998 *8 f4 u4 v4 e% p+ B2 u- ^' D automobile: 1.000 * airplane: 1.000 x4 \9 E) b' j# ~5 x, V+ x* d dog: 0.584 x9 n2 m2 C i! I0 F' ^2 V) h7 u bird: 1.000 * dog: 0.999 x: W, q* [2 U; A/ x dog: 0.874 x frog: 1.000 x cat: 0.993 * dog: 0.764 x deer: 1.000 * airplane: 0.906 x* G6 P" b9 a1 C dog: 1.000 * dog: 0.999 * deer: 0.810 x0 L1 \) s& D5 R6 O2 z0 N" j1 q bird: 1.000 x* f+ \- I; G' a7 B2 ^" o, m frog: 0.688 *, Z! u$ K$ s7 g frog: 1.000 */ a! k, K9 Z! m1 o/ x3 U horse: 1.000 *5 j, d5 y) N, w horse: 1.000 *! V1 x, N0 j' P, N horse: 1.000 *% L9 q. F) g5 E# G( w5 ` ship: 0.664 *4 B4 G' L; C1 S, R ship: 1.000 * ship: 1.000 *, `9 ], b2 `; @9 B0 Z! }& X4 M truck: 1.000 * ship: 0.658 x truck: 1.000 *3 O0 U& [! u9 {* y 
### 测试准确率 ) p7 k- v; b% h1 k" C1 X0 h * 19/29*100%=65.5% 9 ~* ?5 [. B0 n# X& ^. Y! E) C ### 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。 * 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。 8 U. s7 k: \/ u8 H+ }- a ( _2 d/ J! `$ Z0 d$ a - b0 a C! r& l% c# e1 Q% \6 F 0 d; p& X% A1 d O5 W' y# s9 T, l |
【STM32H5 评测】MNIST 数字识别
STM32在边缘AI的布局及能力版图
从家电到机器人:STM32边缘AI应用案例拆解
STM32U3B5/U3C5:为超低功耗设计带来高性能 DSP 与边缘 AI
【NUCLEO-U3C5ZI 测评】+ 手写数字识别
【STM32U3 评测】MNIST 数字识别
AI玩具爆发前夜:技术拐点、体验鸿沟与破局路径
STM32 AI Model Zoo,现支持PyTorch的最大规模MCU AI模型集合
经验分享 | STM32 AFCI 方案 TensorBoard 使用指南:AI 模型调优可视化终极方案
STM32F334运行超轻量级神经网络推理框架TinyMaxi进行端侧推理
微信公众号
手机版
@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
<br /> <br /> 两年了,很少逛论坛了<br />
哈哈, 欢迎多回来逛逛,提提宝贵意见