01
简介

* Q0 p" f1 @/ eSTM32 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。

$ l5 p( D9 t6 n$ F9 ~02
环境安装

详细的安装步骤可以参考ST的wiki页面。

; O3 O1 I1 n4 v7 c7 C9 N2.1. 设置代理等环境变量
( N! X6 |# Q2 Y
5 L1 H2 s! [* a0 O7 E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：
! w* D- W# @6 }  X, ]

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。
. g* Y! u( r$ m' s2 E5 G7 \/ w
, f8 z7 Z: L  g2.2. 安装 STM32Cube.AI
/ ]. _3 k6 z$ z9 u! U! {
" j' r' c! p) O3 B4 m+ A; W$ U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。

: g+ ^6 Y' p4 ]( x如果使用本地，可以通过CubeMX进行安装。
( W9 N! w! Y# F! J  T  ?
+ C$ i; \! I! Q) `" H2 @# I2.3. 安装STM32 model zoo

* n6 e4 y  b) x2 K% |3 L* R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。
& r% S, c  m+ I, }! w" U- J; b, d! K
2.4. 安装Python环境
% ]- Z$ k/ N) m0 s+ g
' [! O, m5 @& I% }) j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。
% o9 `* z# ]) I. E1 b0 L
; g0 t2 _$ i/ |1 {( T2.5. 安装STM32CubeIDE

1 S$ J) @7 u. m" b; m' k4 p2 v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。
! B* f5 ?$ D1 p- c2 T
2.6. 更新yaml文件
8 o6 l7 H. m# E
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。
3 c4 ]: |9 I* y% d: u4 {* I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/
! G) E5 P) b, z' \) ?
03
手势识别应用
1 E8 \5 P8 e: Q+ W5 I: M
) H3 ~$ |" u1 X) Z1 t' z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
- c! b5 }7 h1 I
4 p  ]4 t' S! k, U( 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：
2 R$ ~+ `1 |4 X

▲ 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。
. ?5 N6 m! V# L# e! P- Q3 O& k

▲ 图3. 手势数据采集和标记工具

3.2. 配置
, F1 E! o. l) {( l" x6 k- }
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。

3.2.1. 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：
6 G- |' d2 u) W9 g

▲ 图5. 数据集配置

0 O0 Q  d7 A0 g: `3 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：
$ C4 ~% g9 S( m9 N

▲ 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。
4 c3 H7 {0 u$ |' ?3 H- 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。
/ A( y; E, Q, k/ c
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。
  Z/ N1 l+ _7 A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。

& G4 a8 k$ E; {" c: j4 Npath_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
& b" a1 f4 W7 U' Q- ]) e
4 ~& n  p* u+ Z, Y4 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：

▲ 图9. 部署相关的配置

3.3. 运行脚本
4 J) i7 a0 W' W+ a) c
# \3 e4 A) n" ?$ A8 Z) }5 f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。

& R( x' ^1 z0 T3.3.1. 模型训练
5 }/ c$ K. O8 d' N  M- C直接运行脚本:
% s/ _. R9 f/ j0 y3 g; t8 P➢ python stm32ai_main.py
+ h2 P0 X2 Y3 q- u: D! Q; v0 M或者指定模式运行脚本：
# w2 E6 \7 _- S, I) O  q4 G➢ python stm32ai_main.py operation_mode=”training”
; H; o% K5 }8 o7 M1 p; V; x: j训练过程中的输出结果：
- }9 J0 m" I& n/ h0 B0 Y; e$ j

▲ 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。

0 Z% F0 q& O: _& ]3.3.2. 可视化训练结果
0 a$ o1 X: L/ |3 H+ Z& ?9 s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 k: A/ ~9 C2 ~& o: X3 Y( y( r1 K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。
  D& r) G# N- R7 [' r! Q8 y$ x

▲ 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
* _' |4 [: K# r# L8 d

▲ 图13. Mlflow界面

3.3.3. 模型评估
: G6 }: E4 @, O9 e( Z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”
+ }  v* {1 ]# \2 |0 J$ A

▲ 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

3 K# S( y; u; t; E: i, P4 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：
  x! @- C) h& q! L➢ python stm32ai_main.py operation_mode=”deployment”

▲ 图16. 部署流程

3.5. 总结
& p$ E( P! }5 T) v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。

▼▼▼

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
/ D: _$ E# |" z( E0 r 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
9 n0 P' b0 X* S, q: Q9 F8 T
3 K9 _, p1 N) n
2 Q) r" Z, n3 j1 r- V$ {, r$ U