1、NanoEdge AI Studio V3的概述

1.1 首先感谢社区提供的活动【学习有奖】深度学习STM32自动化机器学习工具——NanoEdge AI Studio以及丰富的学习资源，才一步步测了一遍，其实文档不是很好找，毕竟太新鲜。最初是为了评测最新的Seed  WIO AI Lite，可惜不适合，这个再试用阶段的工具只支持以下开发板。

• Evaluation board:
  ' t- S* V% V6 i5 B0 r
  • STEVAL-STWINKT1B: STWIN SensorTile Wireless Industrial Node development kit
    
• Discovery kits:
  * b( V) @( ]3 F0 G
  • B-U585I-IOT02A: Discovery kit for IoT node with STM32U585AI MCU
  • 32F413HDISCOVERY: Discovery kit with STM32F413ZH MCU
  • 32F746GDISCOVERY: Discovery kit with STM32F746NG MCU
  • 32F769IDISCOVERY: Discovery kit with STM32F769NI MCU
  • 32L4R9IDISCOVERY: Discovery kit with STM32L4R9AI MCU
  • B-L4S5I-IOT01A: Discovery kit for IoT node with STM32L4S5VI MCU
  • STM32L562E-DK: Discovery kit with STM32L562QE MCU
    " J7 B. ~) u; h. z. d! H5 l* `% G9 Q
• Nucleo boards:
  $ D# T6 a) B8 X5 p3 k4 i, s9 z
  • NUCLEO-F401RE: STM32 Nucleo-64 development board with STM32F401RE MCU
  • NUCLEO-F411RE: STM32 Nucleo-64 development board with STM32F411RE MCU
  • NUCLEO-G071RB: STM32 Nucleo-64 development board with STM32G071RB MCU
  • NUCLEO-G474RE: STM32 Nucleo-64 development board with STM32G474RE MCU
  • NUCLEO-H743ZI2: STM32 Nucleo-144 development board with STM32H743ZI MCU
  • NUCLEO-L432KC: STM32 Nucleo-32 development board with STM32L432KC MCU
  • NUCLEO-L433RC-P: STM32 Nucleo-64 development board with STM32L433RC MCU
  • NUCLEO-L476RG: STM32 Nucleo-64 development board with STM32L476RG MCU
  • NUCLEO-WB55RG: STM32 Nucleo-64 development board with STM32WB55RG MCU
  • NUCLEO-WL55JC: STM32 Nucleo-64 development board with STM32WL55JCI MCU
    

, l. N3 s" g* U) A

  这个开发工具解决的是深度学习的痛点，就是数据清洗和数据加载，无论在AI领域的专业水平如何，通过NanoedgeAI Studio，都可以找到最适合嵌入式项目的AI库，并将机器学习功能加入到MCU的C代码中。 NanoEdge* AI Studio为AI库嵌入一个自动搜索引擎，开发人员只需五步操作，即可基于最少量数据，为自己的项目生成最优机器学习库。创建之后，该库被加载到微控制器中，以便在边缘直接进行训练和推理，从而提高安全性并减少延迟。    这个过程不是说说而已，而是已经做到了。最新的V3支持两种新的功能，支持的支持的两种算法（异常检测和分类）现在有了更多的库的支持。此外，新版本中还对这些算法进行了优化，以提高其在现有用例上的性能。因此，当切换到新的软件版本时，嵌入式开发人员可以体验到更出色的资源管理或更快的执行速度。还增加了简单易用的全新数据记录功能，这个功能目前只针对STWIN SensorTile一种开发板，但是已经看到这个是一个更吸引人的两点。（提醒：本帖多图慎入）
( w- i# g7 j; J9 z$ L2 Z

2、NanoEdge AI Studio的安装

2.1 安装的过程可以提供商业包和3个月评估包的选择，其中还可以把授权服务器设定为远程的。原来觉得只为了3个月的体验下载，就一直没有下载使用，因为软件的学习曲线还是比较陡峭的，如果不用学习负担太重，但是参与活动并下载使用后，发现易用性过于好了，基本上1天上手。基础是对数据的概念比较熟悉，而且也有现成的数据。

可以首先访问st官网的页面，

首先按照下图的网址进入下载网页，

  l# C2 o& v, J3 k9 `3 o( c

正确填写好数据后提交按钮高亮，就可以提交。并不需要专门注册，这里就提交成功，注册码会发到注册的邮箱。
+ g* A; s3 s, _" F# j( C& L/ {. j

1 ~- R- T% `& Q/ o

随后会跳转到软件下载安装页面，
3 F" X0 m2 k/ ]) T& j+ {

选择Windows10的版本下载，同时可以下载软件说明，同时了解以下基本的情况。

6 u( e7 I% K( X+ \/ j

选择下载安装包开始安装，选择安装目录，

开始安装，

2 r- u! ?5 s+ I. |" Y9 u! E' j5 r

很快安装成功后

9 \6 R3 v, H! y, Q3 b3 a5 A% _

直接启动程序，

需要选择基本的设置，如工作目录，

. g+ \, G4 ]' b1 S* G5 S( y0 \

这时没有授权码是无法进入的，

从收到的确认邮件中找到授权码

输入授权码，就自动识别并显示绿色高亮点，

2 m; Q! n7 h/ y/ B; v

正式进入首页，

从最右侧的Data logger功能就可以进入到前面提到的新功能，只支持一种开发板

( u% p; S$ Z2 c

这个可以支持所有的板载传感器数据采集和记录。

其他的功能可以逐个浏览，
5 |: p2 |+ V1 ?# ~0 o2 P% Y% U

包括异常和分类等，

直接在多分类项下启动创建新项目

可以从选择的开发板中滚动选择适合的，

目前还没有支持的显示为阴影，无法选中

最终选择最常见的Nucleo-L479

7 _" t2 F/ x. ^( x- @& l

随后提示如何输入数据，需要建议的格式，可以用逗号等分隔符，用文本的方式导入

4 z& S' m9 a7 x0 ]

这里还提供了多种选择，包括用data logger的DAT文件，以及直接从USB口进行数据采样
% g( c9 C5 s( U

3 L; q6 R- s7 {9 X" T5 f* K. |

这里用带电子表格造一些数据，导出为csv格式

直接导入xls表格，因为格式识别不正确，无法提取数据
0 s. S; K1 o. X, I$ |! O

2 u$ G6 k5 E7 f: ?9 x

转换成csv就可以预览前20行的数据

数据导入后，进行初步的分析，并用图形化，这个是用了傅里叶变换的FFT方法求方差和频谱，
, [: |9 @( U8 r8 J' Y7 U

$ A' S, u4 R8 G3 T8 p. Q

可以进一步分析，这个是查重，筛选数据有效性的

选择输出目录和文件名，把格式化的数据存在本地供后续使用
. x1 k  t3 [; P7 f: H# `: N

) L2 |) `# N2 t& \8 h

对应数据分析而已，一个是训练集，一个是验证集，因此需要2个数据源，这里也是按照这个来区分的，更多的数据源，也可以，可以自动分类
- ?7 C/ B5 j$ N; |, s7 i9 Q

这样就显示了两个数据源的显示，
) j/ N/ j$ n& ]/ W- y

( z. Q3 ], e9 Y7 x

随后需要进行第三步benchmark的测试，取得基准值
) s5 [$ s, y' K4 X3 m! R

# G$ c* v$ a- i" e. a

这个过程是依赖桌面机进行的训练，花费的时间长，巨大的数据需要更强大的计算能力，可以要算数十个小时，

可以看到动态迭代的情况，因为这个数据简单，可以看到很快就收敛，精度100%，真正的数据是按照一个反函数的曲线，并且有波动。这个过程是巨大的计算机资源消耗过程，而且这个过程非常需要经验。

因此，这个过程挑战巨大，AI攻城狮往往自称炼金师，及时说这个过程有很多玄学的地方，经验和运气同样重要。

没有这个工具，就需要手动炼金，现在这个软件，实现了数据导入和训练的自动化，和可视化，这部分就是这个软件最核心和有价值的部分。

本例中有限的数据也提供了半个小时的时间，现在全部完成了
1 h" P! |9 V9 }1 C/ S( ]

; P( s% v1 d% V& _4 d2 W

下一步是模拟的过程，这个也是一个亮点

，在反复的调试过程中，都加载到硬件中，基于失效数据和失效模型的测试和硬件问题混在一起，更能难调试。而这个功能，假定在虚拟机上执行，极大提高了深度学习软件的开发效率。

在这个过程中，因为无法访问远程服务器的认证和授权，不能生产库文件。这个页面就是提示操作方法，把关键的数据，这时json格式的，复制下来，

然后粘贴在验证网站上的对应位置，云端计算结果，并生产zip格式的库文件。

1 ~9 |+ \" g8 e& b( t

比较可惜的是我所用的计算机在防火墙保护下很多端口是封闭的，所以不能随意访问未授权的远端服务器，所以，远程服务器无法访问并验证我的本地授权码，提示搞不成。这个过程虽然不够完美，但是，也用故障的方式，提醒大家注意网络安全，使用正版软件，如果能够提供效能提高和安全保证，这样的人工智能开发使用费应该是有所值的。

如果购买了授权码，再配置页面，需要选择合适的代理服务器，这里也提供了IP地址

最后一步就是部署阶段

这里选择适合的库模型，生成模型，并下载后嵌入到程序代码中，这里分为演示用，调试用和生产用，代码需要正确地授权，才能使用，应该不同阶段的价格差别很大的。

1 I9 h0 `& P7 A% l$ l% \

部署的过程提供了一个简易的hello范例代码
: q( K0 f2 b$ b) i9 o

这样就形成了完整的开发链条。

3 小结

   整个使用过程顺畅，结果完美。

   需要了解的是这个过程并不是想象中的简单，只是通过NanoEdge AI Studio实现了一个超乎寻常的探索体验，发现了完全没有想到的优秀。这样，可以跳过硬件部署和开发过程，直接进行自有模型的生产，反复测试。

   在完成了WIO AI Lite的评测后，找一个在可用范围内的开发板，完整实现从开发，数据调试到应用部署的过程，在3个月的有效期捏完成，应该是一个非常丝滑的体验。本次评测完毕。
/ H' @+ s/ w# O4 |2 a

( x$ @+ c' A* r% d; L4 d

8 v8 Q0 g( L4 l8 b$ B

3 _( x6 K$ \% X" w. Z

0 e* ]7 T! ~! A& q: h0 w

: }; c' L! r) b+ P3 y2 i

相当详细
0 f% s6 W$ |. y' _, t

厉害