在经历完各种准备工作后，现在终于来到了正主。直接部署Tensorflow Lite Micro那一套玩意确实没啥问题，但是太麻烦，要添加一大堆文件，还得用它家训练生成模型，然后转换，麻烦的很，在ST平台，怎么能不提到用ST自家工具去部署模型，方便快捷，简单实用。
: r9 I- M6 m; m1 }0 n& b拿出之前准备的工程，选取ai开发需要支持的软件包cue-ai，在software packs点select components
, C" D5 {5 I$ S) T3 B+ h' |) ~5 o

/ H- o6 b# S8 z: _$ T, h
+ x$ A( m) I' W0 T
( x" x0 d: k$ C: S; K在X-CUBE-AI行下core勾选，点OK完成
& c3 q& G2 {7 Z1 H  V
2 r0 w8 Y) a+ U; U9 J4 g

回到引脚配置页面，最下方就是上面导入的CUBE-AI工具包
- {1 U& S, j/ J( _0 w8 e3 `$ v1 A
, m+ \" V' p5 Z. o4 G$ _; s
8 F4 Z0 \3 B1 q1 L& X) {' k& F

2 h6 `6 t5 Q6 o9 ~+ q4 J" K点击+添加，这里要根据自己使用的模型，以及模型特点选择，如下图选择的是原始模型
$ M1 P* P2 j' t7 O$ P

这里选择的是量化后的模型（量化可以减少模型的要求，但是精度会下降），点击分析
& |# @5 |% H. E

: s" A/ Q/ }9 c9 C2 `0 t分析中
1 Z3 Q3 [: I2 [+ u

分析完成会显示是否可以部署到设备上，以及资源使用情况。


5 a( m8 a8 ?; w9 p! y4 q回到工程，有个小bug（使用的STM32CubeMX版本为6.6.1，X-CUBE-AI版本为7.2.0），下图的几个文件路径老是生成错


# s: C$ m& E& a* L( ~, b. c! y

右键文件打开设置，修改一下路径就行


' N5 F# G9 h6 T% J& k; }$ Q' {1 }
' f  f( p8 b7 W" p头文件路径也有一样的问题
/ x' Y- r. I/ }) S# Z# K5 W- d
0 H$ r% Q5 y7 ?7 n& ~/ z1 k
初始化模型

1. ai_handle ai_init(void)
   2 t3 q7 D+ c! T  i3 F
2. {
   
3.   network_handle = AI_HANDLE_NULL;
   
4. 
   # z0 V) z3 V  f9 n
5.   /* Creating the network */
   8 B  H6 o; Y3 ]/ g3 f
6.   ai_network_create(&network_handle, AI_NETWORK_DATA_CONFIG);
   # H+ W' Z) n1 ~4 A8 q# R
7. 
   + f: Q* i7 U- n  i# S# G6 H' K
8.   /* Initialize param structure for the activation and weight buffers */
   * p% j5 C0 A/ y+ M  V  I- B0 [
9.   const ai_network_params params = AI_NETWORK_PARAMS_INIT(
   . x# _  F7 N6 U: u6 C6 w/ {! U
10.     AI_NETWORK_DATA_WEIGHTS(ai_network_data_weights_get()),
    
11.     AI_NETWORK_DATA_ACTIVATIONS(activations)
    # D4 a4 K! G; @- |) p3 ]
12.   );
    # [' _0 Q- N6 |, v7 Y, H
13. 
    
14.   /* Initializing the network */
    
15.   ai_network_init(network_handle, ¶ms);
    
16.   
    
17.   /*Retrieve network descriptor*/
    ' l4 \* q6 d# `6 |1 p+ `, f
18.   ai_network_get_info(network_handle, &desc_report);
    
19.   
    
20.   /*Copy descriptor info*/
    3 g) V! i- C) A; _
21.   ai_input[0]= desc_report.inputs[0];
    
22.   ai_output[0]= desc_report.outputs[0];
    
23.   
    
24.   return desc_report.inputs->data;
    
25. }

复制代码

运行模型

1. void ai_run(void* input, void* output)
   2 y& X5 ]8 ?! A# [4 X
2. {
   $ }0 c4 J5 g+ R0 X+ @
3.   ai_i32 nbatch;
   
4.   
   
5.   ai_input[0].data = AI_HANDLE_PTR(input);
   9 ~/ v8 e: @0 Q! Z. e
6.   ai_output[0].data = AI_HANDLE_PTR(output);
   
7.   
   " b4 r* s- ?: H/ D
8.   nbatch = ai_network_run(network_handle, &ai_input[0], &ai_output[0]);
   
9.   
   0 [6 O7 h* Q, Q. |; ]+ T: B8 h
10.   if (nbatch != 1) {
    
11.         while(1);
    4 j8 N  D! a7 L1 ?' t) _3 D
12.   }
    ' L0 o# A+ A( B- t
13. }

复制代码

/ B0 k* c/ W$ \: V图像接收处理，这个模型要求输入224*224的RGB888的图像，把数据转换一下。

1. void HAL_DCMI_FrameEventCallback(DCMI_HandleTypeDef *hdcmi)
   
2. {
   
3.     uint8_t person_flag;
   " |8 m0 o0 J: e# O( _- q$ n
4.     int i,j;
   # d" p5 L+ W6 J/ o3 r; K
5.     for(i=0; i<224; i++)
   - p! _) {/ f7 c. e. t$ u
6.         {
   / L' S$ i, \! y1 U$ ^- h
7.         for(j=0; j<224; j++)
   
8.         {
   4 U# q- c+ n% l1 @2 d
9.             uint16_t bg_color = ((uint16_t *)_OV2640->frame->buffer)[i*320 + j];
   
10.             network_input[3*i*224 + 3*j + 0] = ((bg_color>>11)&0xff)<<3;
    
11.             network_input[3*i*224 + 3*j + 1] = ((bg_color>>5)&0x3f)<<2;
    
12.             network_input[3*i*224 + 3*j + 2] = (bg_color&0x1f)<<2;
    
13.         }
    
14.         }
    
15.     ai_run(network_input, network_output);
    / f6 H5 X& X! P7 x5 k
16. 
    
17.     LCD_Draw_Image(0, 0, 320, 240, (uint16_t *)_OV2640->frame->buffer);
    2 f+ B9 m- D: i7 q! J
18.     LCD_Draw_String(0, 0, 320, 240, 32, output_labels[network_max()]);
    
19.    
    
20.     OV2640_DMA_Config(_OV2640->frame->buffer, (_OV2640->frame->length)/4);
    
21.    
    
22. }

复制代码

/ {2 d% k1 _: P
) ~0 o7 o7 V/ M运行效果（一共能识别18种食物，这里选了几个看看）
4 O1 B' [. k1 m
) y$ B6 A* K8 ?  `* s3 f2 ?4 V: g空

% O/ v6 N& F1 I  F3 |. p' D. D可乐


" J- _/ Z0 L7 F" @: q甜甜圈
3 I4 Y5 K% P$ m2 {

汉堡包


薯条
# d9 \) P2 F$ b. c7 h3 x


6 ]$ l. t* |' m% |4 K1 o小结：STM32Cube.AI工具真的太香了，这里仅仅演示了模型的部署，其实可以快速验证AI模型在目标板上的运行情况，只用串口连接，直接把输入发送到单片机，然后运行完后把结果返回来，全部都集成到了一起，快速验证模型运行情况。很是方便（本文未涉及，有需要的可以在X-CUBE-AI行下勾选时，application里面选择validation，回到配置界面后设置通信接口即可）
Wio Lite AI视觉开发套件确实是开发AI的很好的选择之一，板子虽小五脏俱全，拿来做单片机视觉绰绰有余，但是不得不吐槽的一点是资料支持太差了，原理图，代码全都藏起来，前期调驱动花了很长的时间，后来管管给了一个例程后好转了一些（但是已经晚了。。。），Ai在单片机上应用已经有很多厂商都推出类似的解决方案了，ST这一个环境很优秀，就是如果相关的培训跟资料再多一点就好了。

很好
9 S0 |8 ?. F0 J2 A, w2 b5 r

up有没有原理图资料~

求求了