
01 简介 STM32 Model Zoo是指ST在github上开源的AI相关模型仓库,其包含的应用包括:手势识别,人体活动姿态识别,图片分类,目标检测等相关应用代码,用户可以使用其中的代码进行简单的配置并进行训练,然后使用STM32Cube.AI工具或STM32CubeAI Developer Cloud 得到模型的Flash,Ram等情况,并进行模型的测试验证,然后部署到开发板中。/ t0 \, {- U. f( F 本文将以手势识别为例,介绍Model Zoo的使用。 6 j4 u I7 p) e; P: d0 G 02 环境安装 0 M7 Y* B0 n1 V: Y+ [# |9 z" s 详细的安装步骤可以参考ST的wiki页面。 ' |# h" t7 K, Z/ h8 L2 P1 Q( N 2.1. 设置代理等环境变量 为了后续使用pip进行python包的安装过程顺利进行,需要设置好代理。需要设置的环境变量包括: ![]() 1 Q1 K- @. ? ?/ M1 S6 V 2.2. 安装 STM32Cube.AI 可以使用云端的STM32Cube.AI Developer Cloud, 也可以在本地安装STM32Cube.AI。 如果使用云端,需要保证网络连接,并且注册 myST 账号,确保自己可以正常访问 STM32Cube.AI Developer Cloud 网站。 . ^0 _9 ~' f, D& p* u7 i: C 如果使用本地,可以通过CubeMX进行安装。 ' f, S8 y4 A. u' b( J) y" W 2.3. 安装STM32 model zoo % `, f# O* [6 e" d 可以使用git或使用zip包获取STM32 model zoo相关的代码。github仓库位于:https://github.com/STMicroelectronics/stm32ai-modelzoo 1. 使用Git:git clone https://github.com/STMicroelectronics/stm32ai-modelzoo.git 2. 使用zip:从git仓库中下载zip压缩包,解压即可。9 E/ A0 f# e1 _$ k* f- U 2.4. 安装Python环境 1 A5 K# C. M1 w! N( F * b7 y/ R9 V+ ^+ f1 a 如果没有本地Python,需要安装好Python,推荐Python v3.10.x。可以使用 Python 或miniconda来管理python环境,推荐使用miniconda。具体安装步骤请参考上文提到的ST WIKI页面。 2.5. 安装STM32CubeIDE 需要安装STM32CubeIDE 来重新编译生成的固件,安装包可以通过ST官方网站下载。注意:STM32CubeIDE 和 STM32Cube.AI 的安装路径不要有空格,否则可能会出错。 0 F4 d4 d: v* d$ h3 @9 S 2.6. 更新yaml文件 Model zoo 中的所有yaml中的path_to_stm32ai 和path_to_cubeIDE,需要和本地的安装目录保持一致。- l+ n) V2 L3 }3 c- X" D; Z 注意:Model zoo使用mlflow管理生成的模型,Windows的最大路径长度限制为 256,可能会导致问题,建议通过注册表修改LogPathsEnabled为1避免该问题。该键位 Computer/HKEY_LOCAL_MACHINE/SYSTEM/CurrentControlSet/Control/FileSystem/ z8 j+ [# L- R6 S% o" N) x6 L 03 手势识别应用% V. X3 W, ^3 ] H( P! | 0 b* j+ i2 X. D' a; t 手势识别应用位于stm32ai-modelzoo的hand_posture目录下,使用ST的TOF传感器VL53L5CX或VL53L8CX采集数据。用于识别静态的手势,比如like, dislike, love 等手势。其demo应用部署在NUCLEO-F401RE和X-NUCLEO-53LxA1扩展板组合的开发板上。 ![]() ▲ 图1. 部署环境和开发板 3.1. 数据集 手势识别应用的数据集可以直接使用hand_posture/datasets/目录下的数据集文件:ST_VL53L8CX_handposture_dataset.zip,解压后的数据集如下图所示: ![]() ▲ 图2. 手势数据集 也可以使用ST提供的数据采集和标记工具STSW-IMG035_EVK,进行数据采集和标记。点击进入工具的下载地址。1 \% V ]7 @6 \; Y3 Y1 J![]() ▲ 图3. 手势数据采集和标记工具 , U p( G- O. t# |: @3.2. 配置 6 k! C4 O7 J' z 5 r% P0 d% v, t; p. D" j 在stm32ai-modelzoo\hand_posture\src目录下,有user_config.yaml配置文件,里面可以对各种参数进行配置。 1 W! R6 f4 y. G- _' X. @& N 3.2.1. 训练 操作模式operation_mode的配置 操作模式选择training可以进行模型训练,其他可选择的操作模式包括evaluation, deployment, benchmarking。 ![]() ▲ 图4. 选择模式 数据集的配置:![]() ▲ 图5. 数据集配置 数据集可以来源于仓库的数据集,也可以来源自自己采集的数据,其内容需要和文 件stm32ai-modelzoo\hand_posture\src\utils\handposture_dictionnary.py的数据一致。验证集可以不指定,默认将使用数据集内的20%作为验证。, x% [9 S/ j- }% Z' s5 H 预处理和数据增强的配置: ![]() ▲ 图6. 预处理和数据增强 preprocessing:- Max_distance:单位为mm,代表传感器的最远距离,如果超过这个距离,就 从数据集中丢弃该帧。 - Min_distance:单位为mm,代表传感器的最远距离,如果小于该距离,则从 数据集中丢弃该帧。 - Background_distance:单位为mm,手势背景的最大间隔,超过这个间隔的 区域将会被忽略掉。 [. r# B% ~. g' s' ?0 f7 |+ W' @. k data_augmetation: 0 S' r; ~; ]5 w 使用数据增强可以在一定程度上提升模型的泛化能力,并且当数据比较少的时候可以补充数据集,目前支持的增强模式包括:水平翻转,垂直翻转,水平+垂直翻转。: G: ^% p0 s! G w 训练参数的配置:训练参数的配置如下图7所示,具体内容不再赘述。 ![]() ▲ 图7. 训练参数的配置 3.2.2. 评估 ; H6 n% @9 J) `. E操作模式operation_mode选择评估(evaluation)可以进行模型评估,评估的内容主要包括模型flash,ram的占用量,模型的执行时间等。tools的配置如下: ![]() ▲ 图8. Tools的配置 7 T+ o d( ~1 ?6 x; c ion_cloud:是否需要使用STM32Cube.AI开发者云对模型进行评估,如果不使用云,选择False,则可以使用本地的Cube.AI工具。- q/ P7 z( D3 F' l( B path_to_stm32ai和path_to_cubeIDE需要配置成自己本地STM32Cube.AI和 STM32CubeIDE的路径。+ G4 p: I; _$ y5 C + L! {0 \# O3 S2 W' _ 3.2.3. 部署 操作模式operation_mode选择部署(deployment)可以进行模型部署。当需要部署到ST开发板进行测试时,需要确保以下配置都正确: ![]() ▲ 图9. 部署相关的配置 4 D/ f# } y' N# @% `$ \5 Z3.3. 运行脚本 6 A& i) n3 i0 R: Y8 _ 在安装好python环境,并且配置好配置文件之后,就可以运行脚本进行训练,部署或评估流程了。& h1 A! H8 _5 B5 Y/ g5 i4 y$ z 0 B/ \8 F# q3 y+ G1 H 3.3.1. 模型训练 直接运行脚本:; T% m$ d$ d5 w; t7 n ➢ python stm32ai_main.py 或者指定模式运行脚本: ➢ python stm32ai_main.py operation_mode=”training” 训练过程中的输出结果:$ Q7 c' G( _6 L6 Y4 z- T2 D: Z ![]() ▲ 图10. 训练中的输出结果 ![]() ▲ 图11. 混淆矩阵 训练完成的结果保存在:experiments_outputs/<时间戳>目录下,包含了训练的log,训练曲线,混淆矩阵,模型等信息。1 t5 \4 ^$ V0 `+ d. v3.3.2. 可视化训练结果 : C( L( G, X2 A7 j$ e 进入logs所在目录(位于experiments_outputs/<时间戳>目录下),然后运行 tensorboard: $ l. F( g, C( H ➢ tensorboard --logdir logs 打开网页后,可以看到整个训练过程中的曲线,比如loss曲线,学习率曲线,epoch 曲线等等。 ![]() ▲ 图12. 准确率曲线 也可以通过mlflow查看实验过程中保存的参数信息,模型实验对比信息等等。进入experiments_outputs目录,然后执行以下命令:1 K8 M# {/ n! X d➢ mlflow ui ![]() ▲ 图13. Mlflow界面 3.3.3. 模型评估 1 x0 T( |2 P3 f3 ^ N将上一步生成的模型路径,填写到user_config.yaml的model_path目录中,然后运行以下命令,可以查看运行模型评估脚本,并查看结果:0 ~5 ]! ~6 X" W! o; `% P: b ➢ python stm32ai_main.py operation_mode=”evaluation”& X1 ]: z1 h2 ^ ![]() ▲ 图14. 配置文件和模型评估结果 3.3.4. 基准测试 在上一步完成后,可以运行以下命令,进行模型的基准测试,可以获取模型的flash, ram,macc等信息:" x' V: I1 j# T( n+ p) v& V0 P ➢ python stm32ai_main.py operation_mode=”benchmarking” ( G4 e* M+ D& p" K$ Q' z( w. | 如果不使用开发者云,使用本地的STM32CubeAI,需要将on_cloud改为False,如下图: ![]() ▲ 图15. 配置文件和基准测试 ' G- _( u. K( x$ k1 F1 c3.4. 部署 % a" ^" j A8 v 3 \3 x* c" w6 a% j# o' [ 连接好开发板,设置好STM32CubeIDE的路径后,运行以下命令可以编译工程并部署到开发板:; X9 a0 B) Q5 N4 ^ ➢ python stm32ai_main.py operation_mode=”deployment” ![]() ▲ 图16. 部署流程 3.5. 总结 / ^) Q( Y; E; T本文介绍了STM32 model-zoo的基本内容,并以手势识别为例,介绍了具体的使用方法,包括模型训练,如何查看模型训练后的结果以及如何部署模型。对于其他model zoo 内的应用案例,感兴趣的话可以去github上下载整个仓库,然后进行阅读并使用。 ▼▼▼ 点击按钮下载《STM32 AI Model Zoo的安装及实例介绍》原文档。- |4 H8 n. K& E5 C点击下载 ![]() |
【Wio Lite AI视觉开发套件】+移植TensorFlow Lite
【STM32N6570-DK评测】1.开箱测评
【STM32N6570-DK评测】1.你好N6
【Wio Lite AI视觉开发套件】+简单刷个屏
【Wio Lite AI视觉开发套件】+cube.ai与食物识别
【STM32H7S78-DK评测】移植AI框架TensorFlow【DSP指令加速篇】
【STM32H7S78-DK评测】移植AI框架TensorFlow【下篇】
【STM32H7S78-DK评测】移植AI框架TensorFlow Lite【上篇】
【STM32H7S78-DK评测】移植边缘AI推理框架——TFLM(TensorFlow Lite for Microcontrollers)上篇
破解边缘AI硬件与软件挑战,意法半导体解读三大创新要点