STMCU小助手
发布时间:2022-1-5 21:11
|
01 前言 为什么可以在STM32上面跑神经网络?简而言之就是使用STM32CubeMX中的X-Cube-AI扩展包将当前比较热门的AI框架进行C代码的转化,以支持在嵌入式设备上使用。2 e3 S2 p4 z3 L目前使用X-Cube-AI需要在STM32CubeMX版本5.0以上,支持转化的模型有Keras、TFlite、ONNX、Lasagne、Caffe、ConvNetJS。 Cube-AI把模型转化为一堆数组,而后将这些数组内容解析成模型,和Tensorflow里的模型转数组后使用原理是一样的。, y3 J/ b2 F2 N; b' d 一、环境安装和配置
02 AI神经网络模型搭建 这里使用官方提供的模型进行测试,用keras框架训练:- |* p$ J2 y2 f$ {! }& y& o. V+ F1 a! }
7 J/ R. j/ Y+ d4 p& o% b3 @1 d: r 2.1 模型介绍 在Keras中使用CNN进行人类活动识别:此存储库包含小型项目的代码。该项目的目的是创建一个简单的基于卷积神经网络(CNN)的人类活动识别(HAR)系统。该系统使用来自3D加速度计的传感器数据,并识别用户的活动。. G# |2 Y% G# _ 例如:前进或后退。HAR意为Human Activity Recognition(HAR)system,即人类行为识别。0 {0 p1 V0 g" Y 这个模型是根据人一段时间内的3D加速度数据,来判断人当前的行为,比如走路,跑步,上楼,下楼等,很符合Cortex-M系列MCU的应用场景。使用的数据如下图所示。
( f8 o" Y. Q6 v% S6 X8 w" h( p 存储库包含以下文件
03 新建工程 1. 这里默认大家都已经安装好了STM32CubeMX软件。在STM32上验证神经网络模型(HAR人体活动识别),一般需要STM32F3/F4/L4/F7/L7系列高性能单片机,运行网络模型一般需要3MB以上的闪存空间,一般的单片机不支持这么大的空间。CUBEMX提供了一个压缩率的选项,可以选择合适的压缩率,实际是压缩神经网络模型的权重系数,使得网络模型可以在单片机上运行,压缩率为8,使得模型缩小到366KB,验证可以通过; $ q, z/ p/ n; K3 v
然后按照下面的步骤安装好CUBE.AI的扩展包 2 H! j- {( Y0 x& w8 s4 N
这个我安装了三个,安装最新版本的一个版本就可以。; p# k- K) ]8 m0 x7 K4 P
接下来就是熟悉得新建工程了! O- i# f) E7 _" w1 v. n/ G6 D1 T 3 I. f( ^9 b6 ]4 k# k5 q
因为安装了AI的包,所以在这个界面会出现artificial intelligence这个选项,点击Enable可以查看哪一些芯片支持AI 1 {4 W0 B5 r, }+ k* {3 U3 j6 G
: G* {: }6 C- D4 j 接下来就是配置下载接口和外部晶振了。
1 R6 d8 ] z5 `* B
然后记得要选择一个串口作为调试信息打印输出。, K0 @. k; C1 U+ d! \ + Z& t5 e+ W9 C6 L: d i* }
. J- x9 F8 p+ L# \( S2 @ 选择Software Packs,进入后把AI相关的两个包点开,第一个打上勾,第一个选择Validation。; e, K/ Q( d* I9 y$ r4 i! g
( n T9 l! u" }* V9 J5 q4 U
4 F' v: C% D' S& s: J" t8 ~ 选择刚刚配置的串口作为调试用。9 Q2 d% O0 ?7 T0 b( ` ; H# A6 f) {6 j3 H) q% R* b
0 q" ^% k. K, u7 B( x8 J, O" V 点击add network,选择上述下载好的model点h5模型,选择压缩倍数8; ' s2 ^& s8 x: F
点击分析,可从中看到模型压缩前后的参数对比$ C% ]' B: G! V0 x : P5 G3 q& k9 U! m( T: t
0 a: H9 W5 A, d2 t* v 点击validation on desktop 在PC上进行模型验证,包括原模型与转换后模型的对比,下方也会现在验证的结果。 ; v( A% m2 {# @) t! p, L- ]4 }9 P
: J. |; s: x% \' y# e) U* w 致此,模型验证完成,下面开始模型部署" v3 m+ a. G( s! |* v8 l 04 模型转换与部署 时钟配置,系统会自动进行时钟配置。按照你单片机的实际选型配置时钟就可以了。/ X# r9 v6 A4 u; O
最后点击GENERATE CODE生成工程。/ `# t, L1 E2 E- i* W + Y ^/ R$ p R1 y- h2 b: g
\5 A6 d- d+ p0 U8 m+ ^ 然后在MDK中编译链接。 C( y3 \% f2 @- B4 X+ ?1 U- [ + E2 H# W* x# z0 [% o: L! n! R
选择好下载器后就可以下载代码了。
& Y b; c3 j. S2 m4 j2 m- @0 {
/ b' A7 _+ I0 q! ^; e & W- W5 F# A! m0 j2 y+ F 然后打开串口调试助手就可以看到一系列的打印信息了。' U( l6 w7 R6 ^. O0 z( i# j. b % z& G6 X M6 p & S- Q7 |' W Z/ o! Z
6 o3 I- T6 o8 i6 K9 o+ H5 L 1 r6 O8 y! @+ v) D/ j0 D, y 代码烧写在芯片里后,回到CubeMX中下图所示位置,我们点击Validate on target,在板上运行验证程序,效果如下图,可以工作,证明模型成功部署在MCU中。2 ^9 m7 m b) o1 S
U( Z& j! Y" P D4 G' {3 S
这次就这样先跑一下官方的例程,以后再研究一下,跑跑自己的模型。 D3 W3 s) E2 k5 s |
实战经验 | 基于STM32G0B1的全桥移相+同步整流PWM解决方案
DMA 原理从 0 到 1:为什么它能解放 CPU?一文讲透 DMA 的工作流程
【福利三:逢7发帖赢大礼】8、基于STM32G070板子的Ymodem串口协议IAP Bootloader开发
【福利三:逢7发帖赢大礼】7、基于STM32G070板子TF卡的FATFS移植
【福利三:逢7发帖赢大礼】6、基于STM32G070板子spiflash的FATFS移植
【福利三:逢7发帖赢大礼】5、基于STM32G070板子IRDA红外遥控接收解码
【福利三:逢7发帖赢大礼】4、基于STM32G070板子SPI flash 移植SFUD库
【福利三:逢7发帖赢大礼】基于STM32G070板子的uart shell移植设计
【福利三:逢7发帖赢大礼】3、基于STM32G070板子的YModem串口协议通信
【福利三:逢7发帖赢大礼】2、基于STM32G070板子的OLED移植U8G2库
微信公众号
手机版