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。+ n& p6 ]9 S) t, [( R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。 板子玩的开心就行!!! + Z* ?" @$ ~+ t% u% ?! r # cifar10 在 nucleo STM32F767 平台的 测试" X7 Y* _' C$ g; ^8 x ## 软件配置 ### win109 g3 s4 q& V2 C5 M2 D 1. cubeMX 5.6.03 Z" D8 x7 f$ L4 T+ [ 2. MDK 5.29a 3. cubemx扩展包--cube.AI 5.0.0 ### ubuntu16.04 ) R. R( ]3 f0 G: [) T 1. tensorflow 2.1.0 (内含keras) 2. python 2.7 (ubuntu16.04 自带) 3. cifar10 训练数据 / G$ o: _' ~- @ ## 硬件配置 1. nucleo F7677 v* ~1 l6 E* P. ~& A ~' z 2. 自制扩展板3 d. q B4 z. P% s$ V' W 3. SD卡) ~: h0 o# W; ]7 ^5 {, i 4. 扩展板 连接 ST-Link RX TX 引脚的杜邦线 ## 测试步骤 / y: N: t( J; B# J5 T$ U: J * 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。
7 B2 P. ~" v$ G! Z * 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。6 f5 B t1 r6 ]( Q1 B& y. ?- q2 I * RGB每个通道需要进行预处理,即R/255 G/255 B/255' T! `2 v4 z: ^- {' J- s0 ] * 图片在STM32_AI_Model的模型输入数据组织应为:* f+ Y( Y' d" S- k | 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。* {# \4 _2 w2 B! Q% B% k 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。0 z! r9 C' L" i% Z2 ]+ ] 6 K$ e" w+ s* T5 w6 X1 o# F- L * 可能性最大的即为推理最有可能的种类,cifar10即十种。; W/ p4 H) j! {/ z% o0 s $ j$ m {% T$ F) k$ J ## 测试结果 ### 串口打印: sd_card_mount_ok airplane: 1.000 *' z4 r/ v6 j- ^# h, I( ~6 y$ N airplane: 1.000 *( q3 r! P) g6 C automobile: 0.998 * automobile: 1.000 *% |: j/ c) b/ \8 T: e; S# x6 l4 d airplane: 1.000 x0 Y! `) n/ P" M dog: 0.584 x bird: 1.000 *- f) E0 n( _: K2 H: D4 x dog: 0.999 x dog: 0.874 x 7 W1 K) `) \/ z9 t frog: 1.000 x* M( g; v* g/ o' O& B1 ` cat: 0.993 * dog: 0.764 x deer: 1.000 * airplane: 0.906 x dog: 1.000 *% a# F$ R6 k' G3 K( I; _1 {5 L dog: 0.999 * deer: 0.810 x4 q8 f5 \% q0 x: h7 z bird: 1.000 x9 ~8 x) i1 Z+ W7 F0 }" X" M A frog: 0.688 * frog: 1.000 * horse: 1.000 *7 @8 p: W. B6 [( X horse: 1.000 * horse: 1.000 *3 Z7 ?1 F5 V4 s ship: 0.664 *+ z* r' _" p9 L, B ship: 1.000 *' f6 {* N% Q6 q: _: P ship: 1.000 * truck: 1.000 * ship: 0.658 x$ P" S: ^+ C2 Z& a. E truck: 1.000 *; g, \8 Z, ^0 k 
### 测试准确率 * 19/29*100%=65.5%/ F* ] L! y2 }- t% l% m' Z' z $ F0 g" _: y- q0 K/ q/ e) G% M ### 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。" s* W$ |( [9 k . n Y. e' z |) d' ]" h |
意法半导体助力STM32开发者简化AI模型开发流程
迈入融合时代:以统一的STM32 MCU平台释放物理AI潜能
【STM32C0116-DK】MNIST 数字识别
【NUCLEO-C562RE】MNIST 数字识别
【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
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