01
. U- n0 B& W' h! [7 W简介
( K  \0 G- K: @& b6 ]6 }/ S/ T
1 {4 i6 X9 l7 O! r7 E5 @1 M: XSTM32 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。
# K& w" e. G/ R- Q2 t
02
7 M( X" \, X. m# _% G: V4 ]2 p! B环境安装

8 J9 T6 }; f0 A6 D% N1 g7 S1 t0 [$ q9 ^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

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：
6 @5 j% |# ?# X3 [

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。

' Z2 C1 H) W% w' R5 {3 w2.2. 安装 STM32Cube.AI
& Y# a9 z$ {" o" {
可以使用云端的STM32Cube.AI Developer Cloud, 也可以在本地安装STM32Cube.AI。
* N2 y1 G# k" l8 E3 n- ^
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。

' s6 C% C& `! u7 g8 x3 g' y4 X! l如果使用本地，可以通过CubeMX进行安装。
/ Z) \% f% u" o* t7 I; y" n
2.3. 安装STM32 model zoo

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
& B  [9 V; V2 q  \& r; E5 a/ E1. 使用Git：git clone https://github.com/STMicroelectronics/stm32ai-modelzoo.git
1 P. i: m6 m& C0 }2. 使用zip：从git仓库中下载zip压缩包，解压即可。

7 `" |: L) s4 H- v2.4. 安装Python环境

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。
; l2 J* G4 [6 g# X; F3 i
2.5. 安装STM32CubeIDE

# u+ \# E. `2 x+ A1 a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。
' y5 R$ q) z3 K0 I
- u+ a: u8 E0 D) M3 ^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。
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/
+ L  ^  h6 n0 G* {" H$ h. U% u
03
8 f& l4 A6 ^& v; H. r4 p, \手势识别应用
  A( D' x; {+ X7 a$ 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。
! i7 R5 M1 q6 u+ i' M9 L

▲ 图1. 部署环境和开发板

3.1. 数据集
( ?1 V  i$ e. d8 ]% e  G7 z
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：
, F6 _" f8 e. C! t

▲ 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

, @% N3 `* [- a3.2. 配置
  z2 ~2 a2 j5 L& i0 g, x* g
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。
; u% ~$ n* m* [5 ]
* v% k- t0 {9 \9 P  u3 Y3.2.1. 训练
操作模式operation_mode的配置
% j" V0 I3 Y0 J- R! y4 J) G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。
4 k) D. y2 p5 n! R8 b% W

▲ 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。
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。
; y1 ], w" {' |/ A- 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。
' ?8 L8 A  N. H' V/ I& G- 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。

% j+ t! g5 A/ X. Bdata_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。
7 g* z+ p6 I6 h8 d$ P8 Q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
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

0 U2 l9 u+ T% y1 `7 T1 u4 E. ~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。
# u" S! T0 o- S' p
path_to_stm32ai和path_to_cubeIDE需要配置成自己本地STM32Cube.AI和 STM32CubeIDE的路径。

3.2.3. 部署

- m' }' Z7 O- m( |# n' W! R- }* _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：
9 a5 X+ B: L, ?) y

▲ 图9. 部署相关的配置

+ |' ~9 b) k  _* I' K6 F2 R3.3. 运行脚本
1 |4 W' H- z/ S5 j* ^
( L( a  L; }) P2 Q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。

- Z" Y1 D- T3 R' u+ o1 W3.3.1. 模型训练
直接运行脚本:
2 K, g' b* q- C3 |4 S1 i➢ 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：
9 `/ z8 v9 ?# k( q$ z2 C1 m) Q

▲ 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。

3.3.2. 可视化训练结果
# P0 M% W" U. z! |" N; ]  g进入logs所在目录（位于experiments_outputs/<时间戳>目录下），然后运行 tensorboard:
, a4 H" U* p. |3 m# M6 T➢ 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：
( z# p  M8 c! K9 f& X➢ mlflow ui
8 e! F# u' A& C( N' F0 c  |

▲ 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”
- r0 P* t" U0 }/ G

▲ 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：
3 y5 X' j( v  o" D➢ python stm32ai_main.py operation_mode=”benchmarking”
1 r. U2 u: _; t8 r7 {4 u9 {( z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：
; X5 L- k$ l/ S. C

▲ 图15. 配置文件和基准测试

3.4. 部署
% g. F3 m4 e+ v$ w) L2 G* e: H
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”
3 @+ d  }) e& l( F* ?, N

▲ 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。
- E+ |- Q$ ?  P+ K. P: |& u
7 X8 J8 c/ o$ A7 V1 C

▼▼▼

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
LAT6021_在STM32MP13x系列MPU上裸跑应用程序_v1.0.pdf (3.43 MB, 下载次数: 46)

2025-2-6 09:22 上传

点击文件名下载附件