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。
本文将以手势识别为例，介绍Model Zoo的使用。

9 b/ c0 D$ @( g& [  a02
. ]" ?; v, b) m7 b环境安装
2 Z) n1 _$ T; H5 R$ Y1 I
, M& q) v. K, J7 f3 w% a4 Z详细的安装步骤可以参考ST的wiki页面。

2.1. 设置代理等环境变量
9 b0 \% W+ c- f, o  U
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：

注意特殊字符需要编码成utf-8格式，比如@要替换为%40，其他的特殊字符包括%、@、&、!等。stmai_username 和stmai_password 可以不设置，如果不设置，每次访问 stm32CubeAI Devleloper cloud 都需要手动重新输入用户名和密码。

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。

) g( t7 q1 K1 z8 e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。
: _, f2 X: c2 y1 a8 r$ S$ v- H5 h
如果使用本地，可以通过CubeMX进行安装。

+ ]4 _5 E% x) u+ n2.3. 安装STM32 model zoo
  \& [4 p5 U* S. x  `9 c+ c
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。

" r# i) [! \& c+ V2.4. 安装Python环境
. M0 x  v7 d* K! z+ A5 |- R
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。
& e, ~% R. T& I* u$ S4 c) I, v! ]4 u/ l
% v' Z- `* M/ B. k2.5. 安装STM32CubeIDE
- Y% b0 \" Z9 d  @
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。

: u1 L: h4 J( O2.6. 更新yaml文件

& G$ Q& u# a& ~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。
3 a. @. ^3 a. g9 A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/

03
手势识别应用
" G* E+ @+ N( z) _
' }, _5 O7 x: U2 G/ |. D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。
  x3 k: x/ n7 d. U& Q

▲ 图1. 部署环境和开发板

3.1. 数据集

4 f4 W# K/ C) Y( ~  I9 `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。
8 _4 d: x, v6 _: N( t: j

▲ 图3. 手势数据采集和标记工具

3.2. 配置
. {! f- x4 C8 [5 s+ v' \
1 Z4 g4 S: \2 a4 n1 p8 A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。
% R. a4 i) O1 f8 K, a& C) p
. N( y0 w! Z/ B& V/ g, c3.2.1. 训练
9 N: Y+ O8 U+ w* |/ A操作模式operation_mode的配置
- H' {. H" w7 I( L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：
% B2 X3 U- \$ O9 Q$ U% |# R, E2 v

▲ 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。
2 w% b  r4 u6 d3 i0 @) N& e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。
' @9 w# }% E+ z. ^( R- 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。
' m  n6 f3 i3 v7 z3 T4 z
* G1 a- b, I* o# \/ D7 m2 ]% Odata_augmetation:
% W" w6 x' I. j, K: s4 B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。
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
6 S( I, H# V5 O" 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

. ]' W) b% z! a9 l: non_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。

path_to_stm32ai和path_to_cubeIDE需要配置成自己本地STM32Cube.AI和 STM32CubeIDE的路径。

/ N0 X+ O0 t8 J* D: A0 b$ B3.2.3. 部署
7 n/ D2 C1 W" @. t( T
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：
8 |) O2 H9 j/ l+ i2 o/ |3 j% H

▲ 图9. 部署相关的配置

( a7 }3 c( y7 m+ s9 b" ^3.3. 运行脚本

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。
' @4 f: c- l' U
3.3.1. 模型训练
直接运行脚本:
➢ python stm32ai_main.py
或者指定模式运行脚本：
➢ python stm32ai_main.py operation_mode=”training”
* q5 @3 u. w6 ^  B7 ]5 I0 x8 B训练过程中的输出结果：

▲ 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。
) N$ T) ?' i7 p/ P( b- ?. A8 Q. M
3.3.2. 可视化训练结果
进入logs所在目录（位于experiments_outputs/<时间戳>目录下），然后运行 tensorboard:
➢ 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。
! ^3 M* Z- G4 c9 `, S/ D! N- I

▲ 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：
+ L* i7 m2 ~7 N; h! Z' z  J➢ mlflow ui

▲ 图13. Mlflow界面

3.3.3. 模型评估
1 |4 D* W9 m- v$ p0 T3 K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：
* M( W' F% x& w/ x! L➢ python stm32ai_main.py operation_mode=”evaluation”
) ~' V* F# {. m& M6 a. S3 r1 A  X

▲ 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：
➢ python stm32ai_main.py operation_mode=”benchmarking”
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：
$ G0 D* u3 h0 K; K! Z

▲ 图15. 配置文件和基准测试

3 K( G1 D9 W4 k+ Y' l' v) Y( F" U3.4. 部署

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：
➢ python stm32ai_main.py operation_mode=”deployment”

▲ 图16. 部署流程

3.5. 总结
7 V3 b: r& N1 o/ m0 G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。
9 T, K# U/ C5 v7 z9 _! D
/ m; M+ R0 O" X) r$ u7 E; m

▼▼▼

点击按钮下载《STM32 AI Model Zoo的安装及实例介绍》原文档。
, d( n" a6 c. o; H8 L9 K5 S: s点击下载
) |! h0 y" ^+ ^5 j7 u LAT6021_在STM32MP13x系列MPU上裸跑应用程序_v1.0.pdf (3.43 MB, 下载次数: 10)

2025-2-6 09:22 上传

点击文件名下载附件
- g1 f& J% H6 i' S/ F! |+ d