
01; p4 M" K& F% D( M) ] 简介 0 a* j5 `( w- Y ) v8 Q4 ?0 b8 f$ I( @4 S1 W 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。! v, i0 h" u# c7 [2 V 本文将以手势识别为例,介绍Model Zoo的使用。- z9 b6 H3 T4 W9 `" Q' B 02 环境安装 详细的安装步骤可以参考ST的wiki页面。0 U7 k; f, V& \2 [ 7 a% t- b( q3 R4 U 2.1. 设置代理等环境变量 0 F4 K: i" i9 y0 h9 g 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:5 r( ]; M ?; Q) G$ `3 r ![]() . R) W8 n* s8 M0 W$ a 2.2. 安装 STM32Cube.AI8 p7 ~' p6 P8 g& k 3 Q, T! s* E2 G 可以使用云端的STM32Cube.AI Developer Cloud, 也可以在本地安装STM32Cube.AI。' Q. P, J& R" b 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。 3 J- N7 K7 T0 g+ o5 r; | 如果使用本地,可以通过CubeMX进行安装。! r! b7 G6 F+ U( a2 a' c 2.3. 安装STM32 model zoo $ H! S- i' O& t5 q" T0 M4 B, N( d9 y 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" V% b# ~3 x; I# h 1. 使用Git:git clone https://github.com/STMicroelectronics/stm32ai-modelzoo.git2 ]( e; S6 S- G2 C0 ^/ m: m 2. 使用zip:从git仓库中下载zip压缩包,解压即可。" ]% f; @/ q5 ]- b: Y f2 [ 2.4. 安装Python环境 ' N5 a- D$ U9 D9 N: P, g0 s( g5 v 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 % q K; Z- ^: w# i" E 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。 ~& l: Z1 ?2 q7 w7 N( W2 A: Z7 o 2.6. 更新yaml文件/ y0 C& X- R! o4 |; H* M7 x 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。 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/ J& Z; C$ I. Z3 J. `" p3 R7 v! ]4 ` 1 G9 j" I8 V, f5 n 03% w" a' z. x; \( K" O" N$ t2 a 手势识别应用 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 . E/ }$ O' m! R2 ]5 D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:7 [- A! g' D) x$ q8 w" g S. i2 S ![]() ▲ 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。![]() ▲ 图3. 手势数据采集和标记工具 / I/ s* z0 G" p" Q$ i/ N) G4 D1 ^% N6 Z3.2. 配置 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。 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。8 t" Q, v" {) [" C6 e ![]() ▲ 图4. 选择模式 数据集的配置:![]() ▲ 图5. 数据集配置 7 l G! N, c, T9 k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。 预处理和数据增强的配置:% A3 }0 Y. R! H9 v9 v ![]() ▲ 图6. 预处理和数据增强 preprocessing:7 s" A( v) i& q9 y' k l& W- 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。# X; `& ` F# _" y d8 c' {2 l - 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。 data_augmetation: 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。2 B8 B: Q, t" x& ~/ t2 K% b 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。3 T4 O; ` C* G$ a5 `( u% t g ![]() ▲ 图7. 训练参数的配置 3.2.2. 评估 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:* m# R% X0 @, m ![]() ▲ 图8. Tools的配置 on_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。3 d, m5 \' C$ D3 u 5 Y2 j/ E% @" a; H' Z0 l path_to_stm32ai和path_to_cubeIDE需要配置成自己本地STM32Cube.AI和 STM32CubeIDE的路径。4 b( J& w3 n. X! G1 I 3.2.3. 部署 ( K3 m3 ]3 v1 l( v1 v; k 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 3.3. 运行脚本 ; d# s$ k2 O" P- [6 w . _1 L+ d( v0 i: A7 D5 b 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。 1 p7 o, f. }' h6 w( O- ^* E& O. ? 3.3.1. 模型训练 4 n) q* d" d! A0 @ 直接运行脚本:! Z) i' p m& q ➢ python stm32ai_main.py . W( l. l1 H, Z6 S a- J E" Q 或者指定模式运行脚本:; c# U2 h# J2 h. C ➢ python stm32ai_main.py operation_mode=”training” 训练过程中的输出结果:5 i/ P* T& z" ?6 i0 b ![]() ▲ 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。: D8 z* J6 [) D; h 3.3.2. 可视化训练结果 2 y! `! [ h; p; x) `( w 进入logs所在目录(位于experiments_outputs/<时间戳>目录下),然后运行 tensorboard: ( H7 _( m1 G1 C9 S) U/ B4 L7 c ➢ tensorboard --logdir logs / U9 \$ k, }) z 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:➢ mlflow ui% H3 n- f) ^* Y9 d, l+ _: Q& m ![]() ▲ 图13. Mlflow界面 3.3.3. 模型评估 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: ➢ python stm32ai_main.py operation_mode=”evaluation” ![]() ▲ 图14. 配置文件和模型评估结果 3.3.4. 基准测试 : e) \( A# G$ U0 u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:; `, w, t' S P. V, O ➢ python stm32ai_main.py operation_mode=”benchmarking” & D) p7 X# k& W8 c% D 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 3.4. 部署 % g# F% d6 G. o! [8 }- E 4 H" f; ~0 k" ? 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:$ p: {, C- x5 c9 d ➢ python stm32ai_main.py operation_mode=”deployment”( Q0 T0 ^' g7 _4 P* Z ![]() ▲ 图16. 部署流程 3.5. 总结 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。点击下载 ![]() |
【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
意法半导体助力企业产品智能化,加快边缘人工智能应用