01
简介
! S- c7 {6 W; G3 l4 e/ R5 G, k
. j8 w( b8 s. s# x1 cSTM32 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。

02
; P( `( F, a6 P5 z9 L" r环境安装
' a1 o' i6 \4 P
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：
7 S: }5 c5 g4 l- e( Q- A

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
0 k% N/ ~. T) q+ I3 u6 J
3 j% _; x" }* ?1 E5 w5 f可以使用云端的STM32Cube.AI Developer Cloud, 也可以在本地安装STM32Cube.AI。

3 N7 L* G% P, b( b/ v5 f5 W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。
# Y. Y! a+ t2 t  d+ V' b2 C
3 {, |6 f6 X% q' l  e# B5 R如果使用本地，可以通过CubeMX进行安装。
# ~' b9 d' C, a$ _, [
! W( i% K$ E1 k2 x. y2.3. 安装STM32 model zoo

( H& I- H. H: A- r! i" 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
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。
4 o- f$ N4 C  O7 o  M
2.4. 安装Python环境
* a. H' F$ l3 V, U1 p' j
( r- f; d8 \  l6 b) w+ k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。
- Q3 o* K' C0 P4 Y
' D, v: @: A9 f0 x) O. u7 }4 W2.5. 安装STM32CubeIDE
8 j4 j' O& x6 C! r
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。
. y8 i9 |+ Z# v: G0 G
2.6. 更新yaml文件

# k1 V' D6 W# x% l1 {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。
- Z2 P2 s1 n2 a( k- z3 }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/

+ k$ V* [( u- u" V. w, M- l* g; @03
; \! U) Z9 E# u' `( @' }" \手势识别应用
: Y6 f* @: V& m0 T! S
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
/ Q4 y2 v* q  \, q6 j+ ~( I! q  a
) @9 t$ q" `4 D; B! L; f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：
& x6 }, O6 }/ B+ [8 Z! q  Q& ]

▲ 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。
/ k  W" _7 d8 u  v

▲ 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。

' s& H3 ~$ x" z4 A3.2.1. 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。

▲ 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：
& [2 D& I5 y9 W) o4 q2 {

▲ 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。
, ^* j8 l# j2 r0 k0 c$ u- 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。
# l3 t# E  J' p
  S9 T8 }( R( w3 G6 v, p" N9 G: Jdata_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。

▲ 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

2 w0 O5 l- y4 |  ~! B; }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。
% h& k* _( q* n5 l
! c" ~: \4 ?3 m6 |7 Vpath_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

6 z/ ^' @7 M' `( _2 @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
" _4 Q7 J0 A) A0 o; k0 {9 A
8 c7 _9 I0 \' a: J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。
9 j1 g. r. E4 u
3.3.1. 模型训练
直接运行脚本:
8 I2 j) ^3 f# c, l/ Z  Y➢ python stm32ai_main.py
或者指定模式运行脚本：
➢ python stm32ai_main.py operation_mode=”training”
* u, J& e5 o+ u训练过程中的输出结果：
) j5 ?. K3 ^2 c* p

▲ 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。

) L' U9 Q+ {8 |7 E3.3.2. 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:
, C9 c; g6 H  S" {6 f+ }➢ 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：
➢ mlflow ui

▲ 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
  {0 j$ N* [! l! z. \# y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：
! h) f) `% w# V) H5 y2 {➢ 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：

▲ 图15. 配置文件和基准测试

3.4. 部署
; ]6 ~$ N9 `8 x% p! V) B* L0 W
' g8 h" o0 W7 `$ a$ P! E' c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：
6 [7 H$ b2 u, [$ N- L1 ~9 B, Q+ d➢ python stm32ai_main.py operation_mode=”deployment”

▲ 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。

- k" e: O9 `- |9 M5 c4 O3 d4 T- }

▼▼▼

点击按钮下载《STM32 AI Model Zoo的安装及实例介绍》原文档。
$ P* q/ Z) A2 d/ s9 u, X点击下载
, y4 C, ~9 O3 B7 [: V1 H  x6 ~ LAT6021_在STM32MP13x系列MPU上裸跑应用程序_v1.0.pdf (3.43 MB, 下载次数: 17)

2025-2-6 09:22 上传

点击文件名下载附件