01
简介
  k& ^* S& c$ p. F# M" L
. M3 Q) X) q& sSTM32 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。
- L: V0 b1 N7 W$ ~! g" ~: ]: ~本文将以手势识别为例，介绍Model Zoo的使用。
, U- B. S; @: S) E  }
+ b( o; o# S, q& X* d% S02
环境安装
7 v4 U/ D% t6 r/ @: t4 b3 F
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
5 U5 }3 v* \8 L6 r2 `. b
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. ?; n: R% L# t4 u5 T

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。

: a( A) n0 [5 o/ ~( q! J1 a2.2. 安装 STM32Cube.AI
! e! k% |) u  v& x
可以使用云端的STM32Cube.AI Developer Cloud, 也可以在本地安装STM32Cube.AI。
' U3 i$ t$ f$ D1 Z
; C; a1 P  k+ ^" q. v/ v7 N  y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。
4 c9 |0 g4 m5 }' U6 Q
3 ~% v7 F+ f! e! c0 G3 d/ k7 z如果使用本地，可以通过CubeMX进行安装。

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
1. 使用Git：git clone https://github.com/STMicroelectronics/stm32ai-modelzoo.git
) s2 K, o1 k8 j" w2 S) h2. 使用zip：从git仓库中下载zip压缩包，解压即可。

2.4. 安装Python环境
, }; I" b5 B( W/ v5 B$ C3 i
0 m8 y7 B  Y0 t& p( d' N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。
' r/ L0 N: s0 k8 U3 z: X9 i+ P; ]
8 i1 [7 K/ _, P& P+ ?+ a+ Y& l2.5. 安装STM32CubeIDE

% `: O6 F% A; u+ q- j+ L4 Q) N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。
) g0 M' V" y# }. `4 S7 h, u6 e) W6 Q
2.6. 更新yaml文件
7 V9 M* E: Z4 j- ?- d) U+ F; Z# {
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。
" X- n0 J+ }- a. _* f: P3 K& a( Q" L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/
* W! {/ U, j  [/ O1 T; K
  ?& K. V; I) a+ r* z* ~03
手势识别应用
6 L$ Z( w% p% N! p8 X
- B  N' D! O8 z( @& ?. S' c( k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
- z! V/ b5 [# \3 d2 h: U. I# k
  f/ K; `1 ~* g7 k0 s- ?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：
# P" g& Q5 b) ^, m% ?" N" U

▲ 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。
0 d+ ]8 e# F2 e8 V. E* A$ Z
3.2.1. 训练
8 C8 [0 @9 A- R) u1 A* }% q9 y" q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。
" T- Z' i0 |  A6 ?1 m' v/ r

▲ 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。
) a0 `0 O4 F2 E8 t8 S预处理和数据增强的配置：

▲ 图6. 预处理和数据增强

preprocessing:
6 C4 i- M# e3 P7 j- 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。
1 N. [. o4 R- i$ c- 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。
* U; [$ I! [- V2 d5 u4 s: C- 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。
$ D; I) q% A4 M0 A1 E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。
' \! T) L: f5 v, T7 k: p

▲ 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。
+ U6 |& \# v. {! N5 L; k
0 [5 P7 ^& C1 Lpath_to_stm32ai和path_to_cubeIDE需要配置成自己本地STM32Cube.AI和 STM32CubeIDE的路径。
2 b8 ~! v  ~  y
; e; M9 r5 H: O% J7 U9 X3.2.3. 部署

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：
5 C. o  K, Z  t4 X

▲ 图9. 部署相关的配置

/ D+ _4 l4 q2 g1 b3.3. 运行脚本
$ j$ t5 e& T- \8 C, x
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。
: R8 \% ?- }& w+ z  F: T: w% e
3.3.1. 模型训练
直接运行脚本:
➢ 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：
7 f, X0 `& @- p4 {5 W/ t6 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。

3.3.2. 可视化训练结果
6 ~; c0 p7 I: d" ~& x$ Q5 a1 \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。

▲ 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：
* S8 u$ t4 q# n0 w8 N9 q➢ mlflow ui
' ~$ M, n/ O8 v) o

▲ 图13. Mlflow界面

3.3.3. 模型评估
* ?6 R, b( `3 d  t$ k7 D. N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”
) m2 N  E6 ]* l4 L

▲ 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：
➢ 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
- x% L  D& ^  U  v% v  R
6 f* s4 O4 h$ M( M$ T' ^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”

▲ 图16. 部署流程

3.5. 总结
, T' f" P6 O0 N  N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。
+ c6 Q9 {" a7 }+ T% R! @
9 `. s" s( W& s6 S9 V

▼▼▼

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
5 N3 H% R2 H& x 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

* K/ }1 _* l. k1 I* f( [. T
  L2 @/ T4 D/ }  v, A