01
% V5 ?$ ?- H$ Z: ?9 K8 c6 L简介

% ?9 r& ?) r  Q' l& N' KSTM32 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。
, `3 ~, B# |, A2 O8 T  T" @9 }本文将以手势识别为例，介绍Model Zoo的使用。
+ u- ~) W4 c  m4 [$ d- p7 u( D
02
环境安装
2 t0 M1 y8 W# J
* H( H) x. \6 K. G( j  j! t详细的安装步骤可以参考ST的wiki页面。

0 y( m6 O" Y6 p4 |& w% K2.1. 设置代理等环境变量
2 J) h, @* A4 F% W* y# B
; C* V9 n" y+ k- E5 q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+ r7 m, b  T9 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。
1 J9 q  m9 \3 J. X0 ~  Q. {
2.2. 安装 STM32Cube.AI
* W. z! e6 E$ b' c0 w
9 c3 k& ~  U* e8 R6 ~! E' d! d1 f+ d可以使用云端的STM32Cube.AI Developer Cloud, 也可以在本地安装STM32Cube.AI。
$ U' H, w, F, f7 I
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。

* U/ b4 `" E+ Z4 |/ }3 c  |; Z如果使用本地，可以通过CubeMX进行安装。

2.3. 安装STM32 model zoo
/ o5 b9 s( u4 m: P4 ?
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
# w4 A& K& g' C$ l2 v, w7 b: m1. 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。

2.4. 安装Python环境
' H" e* G6 R3 F0 v! [, b3 m
+ ^1 G9 B8 N$ ]& n$ C; i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。

1 k! Q# T& s: m4 G/ G9 `2.5. 安装STM32CubeIDE
6 F% t$ r% C8 J; ~9 d
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。

+ _; h. g: T, X. C2.6. 更新yaml文件
/ y( T( _7 G$ {' S9 [
  L+ M" R: {7 `6 H' ]; a/ {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/

03
手势识别应用
% M! L+ B* m5 b0 g7 R, Y3 p0 V
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

- [' \6 r! U# |0 ~( d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：
& X, t( Y" }! k# A; _- t; 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
) ]+ L0 \$ y- V6 {
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。
4 P8 C' d* G2 D( c7 K& Q* s* S
3.2.1. 训练
. l7 K; X+ Q/ W6 L, ^. ~4 l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

) O' C0 X6 {  b% C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。
- 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。
& _5 Y" \' J, r" V* \6 H- 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。
# ]/ K+ C6 B, d; B) X( J
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。
  t  C! b8 w: S) w( N

▲ 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。
, _) y* j# W8 V
path_to_stm32ai和path_to_cubeIDE需要配置成自己本地STM32Cube.AI和 STM32CubeIDE的路径。
* ^( P: V9 h& H+ N) M
) T- O( w6 q( a- B7 K2 f3.2.3. 部署
, C" z! D5 r' p& l" x1 v2 M& s
$ _  [3 u6 H- S4 j0 Y5 M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
% A; n- P& P# \: v
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。
! `! {& M' [, K* f
4 a7 b7 M$ c6 v/ E3.3.1. 模型训练
3 E, X2 G6 e1 s: `8 U( E2 l/ n5 f( U直接运行脚本:
➢ python stm32ai_main.py
+ z- f7 d- J0 x) r; u或者指定模式运行脚本：
➢ python stm32ai_main.py operation_mode=”training”
3 m5 P9 M' P4 i% g& s7 F' K训练过程中的输出结果：
7 L/ k5 |9 V! M4 ~

▲ 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。
% u+ ]! v# y7 [3 P, U6 {
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
1 Y" X1 v2 ]# h2 R$ E5 M5 z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。
7 r+ N  z! R  t- m

▲ 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：
: o2 v$ h8 Q( t$ p8 k5 g7 s, {➢ mlflow ui
: k$ ^3 E) ]+ g# N: M! d4 v1 r

▲ 图13. Mlflow界面

3.3.3. 模型评估
: g2 k3 `7 e9 L* D; ?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”
: b& h8 L5 X; v, `

▲ 图14. 配置文件和模型评估结果

3.3.4. 基准测试
% o- _# S0 ~, {! J% x3 k& _" ?6 l' v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：
" Q2 L  ]% ^9 s; Z  |➢ python stm32ai_main.py operation_mode=”benchmarking”
' S  I" e. h/ S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

$ y$ r: T3 p. ?7 b9 F. |) ^3.4. 部署
1 x/ w5 k! B4 [6 U: x' @
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
8 D7 c. {# `6 C, [& s  D0 X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。
6 w2 \8 Q& `. i/ E. D
/ J/ i) \2 X$ T9 q, S3 h; ^4 Z

▼▼▼

点击按钮下载《STM32 AI Model Zoo的安装及实例介绍》原文档。
; z8 a8 o! H9 h8 S" _0 Y点击下载
; V8 ~/ S7 n! H+ f9 w; {+ t LAT6021_在STM32MP13x系列MPU上裸跑应用程序_v1.0.pdf (3.43 MB, 下载次数: 16)

2025-2-6 09:22 上传

点击文件名下载附件
0 c: F! t% u5 _
1 ]/ F6 t6 u: v5 _" {8 k4 E) c
  ^* g! ]  f5 Y