01
2 m* c% K2 q  s4 P7 y简介
. F- [. H/ D- }1 s# T- m
2 e4 p- M3 ^) ?! VSTM32 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。
$ c* X! _: a2 R& o
02
环境安装

9 Z8 }+ h3 N: |4 G4 ]详细的安装步骤可以参考ST的wiki页面。
" }! }! l4 Q" A- p
5 A) D* j1 |- a! X, U3 u1 L' F; t2.1. 设置代理等环境变量

& t; Q8 T3 R* a/ B1 P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：
, z' H' T' f6 d! `7 B1 g( _; O& I

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。

" K+ I# y' v. W# p2.2. 安装 STM32Cube.AI

: ]. y) w1 a2 q# {6 s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。

如果使用本地，可以通过CubeMX进行安装。
. d! U) ~* A& t" G# {  T
2 ^) i  r# v2 H( L/ y2 `' W/ w2.3. 安装STM32 model zoo
% @4 [; H% O  T  M$ A( A$ i, I
2 g% g/ e! ^' }8 B( F5 f' H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
) ^5 C5 S' M0 [3 c2. 使用zip：从git仓库中下载zip压缩包，解压即可。
9 x: v9 B3 \0 Q/ K3 b8 O6 F( r
2.4. 安装Python环境
; w- Z  L( I' C* m" h+ H
$ B7 R/ a! Q' a' Q; k+ _& h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。
& P& t3 G8 Z; J- N/ p
2.5. 安装STM32CubeIDE
; S  U8 `. ?' l) K0 l2 `- A
" s1 v% G# l- O8 h+ u2 s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。
' a. Z8 \) c* ?/ D) k# V3 U! m; v
1 O$ x( n( k1 M& E: K3 {5 j: V6 J2.6. 更新yaml文件

6 Y6 l! i- U# k0 g% L+ xModel 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。
8 j& P0 G, C  v, x, ~' G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/
! _$ q, e$ k1 }- J/ G1 y5 V/ i
+ f( j) f" G3 n03
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。
" A" h" w- w) G0 x

▲ 图1. 部署环境和开发板

3.1. 数据集
0 S7 o6 y& G9 E0 e. ^6 d% p! d7 O  }
0 d  }& v" t: h6 T" n$ l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：
, L3 |+ S3 g; {/ g! }/ L0 `7 q# E0 ^& C

▲ 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

3.2. 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。
; H1 \* b/ T0 Y9 G( Y
; I. `0 s- f0 ~! s1 D3.2.1. 训练
& Z8 P( R8 q: e7 D& k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。
3 g/ Y9 N9 p+ _( o  Z

▲ 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：
% c$ |# z/ H3 F- z  j( y) o! S

▲ 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。
5 e# \" j/ S4 T2 O9 n: n
. h% l; {+ L& n% _+ P5 Ndata_augmetation:
& K$ n4 K' z" c) O9 F! ]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 x2 x( X: A& ?3 R- U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

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 t& K5 {# f; lpath_to_stm32ai和path_to_cubeIDE需要配置成自己本地STM32Cube.AI和 STM32CubeIDE的路径。
( z$ g3 j0 O' D- L3 f" S
' u" E/ Z3 ?0 S6 Q9 X1 O3.2.3. 部署
, w7 l. Z8 W3 E! l1 R& D
& C4 ]$ P2 M. h0 _6 a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

" ]: J+ N3 k3 R: ~3 a, k( w3.3. 运行脚本
/ {5 J' n% Y6 Y: }& z
( F8 H# }( h8 T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。
5 w, o9 s7 T6 S$ M/ P
3.3.1. 模型训练
) T1 C+ X/ b; n5 z$ {5 K! d直接运行脚本:
➢ python stm32ai_main.py
; ^2 g3 m! L8 d0 g# W1 N7 ?  f或者指定模式运行脚本：
. q/ {( L6 D/ y/ k* b# a➢ python stm32ai_main.py operation_mode=”training”
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。

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。
$ I9 k# k+ Y; H$ B

▲ 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

▲ 图13. Mlflow界面

3.3.3. 模型评估
5 M$ f( m% `) `" U, p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：
9 _- R8 z2 P8 n; `, i➢ 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
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：
1 z- o8 F  j) V5 o) R( t➢ python stm32ai_main.py operation_mode=”benchmarking”
  p- [, }# L/ F4 q) Q( O% 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：

▲ 图15. 配置文件和基准测试

3.4. 部署
8 J" h# x1 _4 Y! Q  p5 D
4 \! K% ^# `$ v4 ~: q  P% q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：
* U: u5 p: q2 {. H8 [➢ python stm32ai_main.py operation_mode=”deployment”
" o1 b9 K6 ?8 `6 r; }; K

▲ 图16. 部署流程

3.5. 总结
, M* A! @, T. G0 Y1 a* i7 d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。

; {0 r, g! W  I1 v$ F9 h

▼▼▼

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
* o6 A8 U$ j% {/ `/ R

$ ~- \. f5 \1 Q7 H. S+ Q: q; F8 x