01
. h- U: ?; B5 R# a5 U6 y9 F简介
4 E, j& ?% e4 R. q6 D5 c0 o
$ l+ S3 P. V& D0 {0 n9 q9 iSTM32 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。
0 W6 w# u4 g3 L  H; J* p7 Q! V
02
" V3 n6 p6 o# }- R. P; U环境安装

( n$ s5 @0 b) p5 o2 s5 Y详细的安装步骤可以参考ST的wiki页面。
- y( C$ x6 z7 ~: I/ C
2.1. 设置代理等环境变量
$ G, X- |- c) E
7 _1 x# f# Q: y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：
  h* W6 f  r% T1 |- S

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
- h9 S+ a& C- z5 R
; ^) w& p$ j# w3 c4 `可以使用云端的STM32Cube.AI Developer Cloud, 也可以在本地安装STM32Cube.AI。
3 S1 F/ `, u6 ]5 Z" p9 w
% {6 s) K2 g0 l1 }% Z9 B2 j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。
5 \4 }$ s* J' u) X4 z
如果使用本地，可以通过CubeMX进行安装。
" ]! T7 P4 M' }* t  ~4 g8 d
2.3. 安装STM32 model zoo
. }5 a2 t% k0 h6 x+ O. F
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
7 l" ]. ~1 b6 A& N" P. u1. 使用Git：git clone https://github.com/STMicroelectronics/stm32ai-modelzoo.git
. t2 c0 P; Q/ T) a  M) b+ g2. 使用zip：从git仓库中下载zip压缩包，解压即可。

+ q( G+ C. B* u! @2.4. 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。
2 B; y% U& p2 }: @( [# d/ x
! s# M0 Y+ S1 t0 F( E7 q, O2.5. 安装STM32CubeIDE
$ K7 a: u& O- d
; c4 {8 m8 K$ Q) j$ 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。
. {6 s# z# l2 v
2.6. 更新yaml文件
' _3 E) l+ C- w
* g2 {( E& \2 W2 D1 ~/ V1 m5 I1 \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/

5 C4 @& {& l* E8 l) A9 \% M03
% v$ x, `. z: }- B0 e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。
  r) {, }" w/ K0 m) r; G

▲ 图1. 部署环境和开发板

3.1. 数据集
( i! o" B/ c5 s5 [+ Y
9 [- H4 D& s/ m+ g+ G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：
/ S3 b) k, `, H, i+ L

▲ 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。
- d7 D7 @+ u' p0 m& y" H; r
3.2.1. 训练
8 }3 T) M% o0 f3 l, @操作模式operation_mode的配置
& C$ z, Q5 V; X4 Q7 L( s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。
  t& p2 t* K! s, m" ~. j( c

▲ 图4. 选择模式

数据集的配置：
6 c, g+ v, j3 F- \

▲ 图5. 数据集配置

% `2 A; d8 D' `' v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：
3 B  g# C. z2 |

▲ 图6. 预处理和数据增强

preprocessing:
$ z9 K+ z! k9 m' d" }- 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。
* L3 u, {+ Q2 N  n, d8 H# M- 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。
2 a. K) l7 Z) Q: R4 |' I/ A4 [- 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。
7 w4 R& U0 d) m( j% {6 Y* d' v$ x" n
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。
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。
6 P& n- \" I' \" B4 _- i$ {; i

▲ 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：
- x8 D3 k1 X+ R6 d/ V

▲ 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。

9 i' Q/ v0 C0 Q" r1 Upath_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
" U1 J6 X0 {8 p, A; u1 R
& L$ P' @. {$ C( M) l) ]4 P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：
( q6 E7 A. }7 ~

▲ 图9. 部署相关的配置

3.3. 运行脚本
  k% T) @( a& g+ r3 r
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。

3.3.1. 模型训练
+ D2 U" Q$ |! t+ m" Z直接运行脚本:
➢ python stm32ai_main.py
  S# T, ?5 a) P0 N/ v* F% s或者指定模式运行脚本：
- A% c& k, s/ `# {' t0 N" X! C➢ python stm32ai_main.py operation_mode=”training”
) _. G! V7 ^! o- U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。

$ v& o; r8 @! y9 K$ J; p3.3.2. 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
3 z/ J$ q2 d+ m1 L  T* X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。
) A0 B8 S# {$ h( [

▲ 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
! z/ N+ ~+ d) ?$ o% 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”

▲ 图14. 配置文件和模型评估结果

3.3.4. 基准测试
- W7 O/ ?! Y& _' C! X; k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：
! U' l7 a! L/ Y8 D- B

▲ 图15. 配置文件和基准测试

3.4. 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”
5 i5 s. Z6 y0 s

▲ 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。
2 a3 Q/ {, S; O, ^6 X$ f' a, r& S) T
7 V+ `1 W8 d+ y: H# b! ?# R7 B- |# O- w

▼▼▼

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
: P  g: s% b& i/ I3 J5 k LAT6021_在STM32MP13x系列MPU上裸跑应用程序_v1.0.pdf (3.43 MB, 下载次数: 15)

2025-2-6 09:22 上传

点击文件名下载附件
1 m! v4 r0 Z# K8 Q( O3 z0 B( V  v