色哟哟视频在线观看-色哟哟视频在线-色哟哟欧美15最新在线-色哟哟免费在线观看-国产l精品国产亚洲区在线观看-国产l精品国产亚洲区久久

0
  • 聊天消息
  • 系統(tǒng)消息
  • 評(píng)論與回復(fù)
登錄后你可以
  • 下載海量資料
  • 學(xué)習(xí)在線課程
  • 觀看技術(shù)視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會(huì)員中心
創(chuàng)作中心

完善資料讓更多小伙伴認(rèn)識(shí)你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

用STM32Cube.AI部署ONNX模型實(shí)操示例:風(fēng)扇堵塞檢測(cè)

jf_pJlTbmA9 ? 來(lái)源:意法半導(dǎo)體中國(guó) ? 作者:意法半導(dǎo)體中國(guó) ? 2023-09-28 16:25 ? 次閱讀

在之前的文章中,我們介紹了沒有AI基礎(chǔ)知識(shí)的工程師如何使用NanoEdge AI快速訓(xùn)練一個(gè)用于風(fēng)扇異常檢測(cè)的模型

該模型根據(jù)來(lái)自電機(jī)控制板的電流信號(hào),檢測(cè)風(fēng)扇過濾單元的堵塞百分比。我們知道,當(dāng)風(fēng)扇發(fā)生堵塞時(shí),電機(jī)的電流信號(hào)形狀會(huì)與正常時(shí)不同,而傳統(tǒng)算法很難有效地處理這種差異。因此,機(jī)器學(xué)習(xí)算法成為解決該問題的明智選擇。對(duì)于機(jī)器學(xué)習(xí)算法,我們通常使用scikit-learn庫(kù)來(lái)訓(xùn)練模型。今天我們將展示如何自行訓(xùn)練機(jī)器學(xué)習(xí)模型,然后使用STM32Cube.AI 將其部署到同一設(shè)備上,以便讓大家充分了解兩種工具的不同之處。

wKgaomUD4QiARbDKAA1hq2RwhTw955.png

NanoEdgeAI是一款端到端工具,允許對(duì)數(shù)據(jù)進(jìn)行一些預(yù)處理,并進(jìn)行訓(xùn)練和算法選擇,而STM32Cube.AI 則需要工程師具備一定的AI建模經(jīng)驗(yàn),因?yàn)镾TM32Cube.AI 暫不支持模型訓(xùn)練。

硬件和軟件準(zhǔn)備

wKgZomUD4QmAF96rAAWBdn3ZAeE960.png

用于驅(qū)動(dòng)風(fēng)扇的P-NUCLEO-IHM03電機(jī)控制套件包括一塊NUCLEO-G431RB主板、一塊電機(jī)控制擴(kuò)展板,以及一臺(tái)無(wú)刷電機(jī)

在軟件準(zhǔn)備方面,您需要配置anaconda環(huán)境,并安裝sklearn、pandas、ONNX等必要的庫(kù)。

讓我們回顧一下創(chuàng)建AI項(xiàng)目的一些關(guān)鍵步驟,然后據(jù)此逐步演示如何基于STM32Cube.AI 從零開始創(chuàng)建AI項(xiàng)目。

wKgaomUD4QqAL9M3AAFnQx_GzUs626.png

在步驟1中,用戶需要收集用于機(jī)器學(xué)習(xí)模型創(chuàng)建的數(shù)據(jù)。該數(shù)據(jù)集的一部分(訓(xùn)練數(shù)據(jù)集)將用于訓(xùn)練模型,另一部分(測(cè)試數(shù)據(jù)集)稍后將用于評(píng)估所構(gòu)建模型的性能。機(jī)器學(xué)習(xí)的數(shù)據(jù)集中的典型比率為:訓(xùn)練數(shù)據(jù)集占80%,測(cè)試數(shù)據(jù)集占20%。我們此次試驗(yàn)用的數(shù)據(jù)集與之前NanoedgeAI訓(xùn)練模型使用的數(shù)據(jù)是一樣的。

在步驟2中,用戶需要對(duì)數(shù)據(jù)進(jìn)行標(biāo)記;基本上,我們需要告訴機(jī)器收集的數(shù)據(jù)屬于哪一類(例如“跑步”、“散步”、“靜止”……) 分類指的是根據(jù)您認(rèn)為重要的屬性對(duì)數(shù)據(jù)進(jìn)行分組:這種屬性在機(jī)器學(xué)習(xí)領(lǐng)域被稱為“類”。

接下來(lái),在步驟3中,用戶使用預(yù)先準(zhǔn)備的數(shù)據(jù)集訓(xùn)練機(jī)器學(xué)習(xí)模型。該任務(wù)也稱為“擬合”。訓(xùn)練結(jié)果的準(zhǔn)確性在很大程度上取決于用于訓(xùn)練的數(shù)據(jù)的內(nèi)容和數(shù)量。

在步驟4中,用戶將訓(xùn)練過的機(jī)器學(xué)習(xí)模型嵌入到系統(tǒng)中。對(duì)于在計(jì)算機(jī)上執(zhí)行的機(jī)器學(xué)習(xí),用戶可以利用Python庫(kù)直接執(zhí)行模型。對(duì)于在MCU等器件上運(yùn)行的機(jī)器學(xué)習(xí),用戶可以在執(zhí)行之前將該庫(kù)轉(zhuǎn)換為C代碼。

最后在步驟5中,用戶驗(yàn)證機(jī)器學(xué)習(xí)模型。如果驗(yàn)證結(jié)果與預(yù)期的結(jié)果不匹配,則用戶必須確定上述步驟中需要改進(jìn)的部分,以及如何改進(jìn)。比如增加數(shù)據(jù),更改模型,調(diào)整模型超參數(shù)等。

至此,我們已經(jīng)幫大家重新梳理了一次AI項(xiàng)目的建模過程。接下來(lái)我們將按照這樣的過程完成我們今天的實(shí)驗(yàn)。

首先,導(dǎo)入一些必要的庫(kù)

wKgZomUD4QyAfPRyAAAnRseUUxk476.png

為了便于對(duì)比,我們使用了之前NanoEdgeAI訓(xùn)練模型中使用的數(shù)據(jù)集。我們使用pandas從csv文件讀取數(shù)據(jù),然后用于模型訓(xùn)練。

在訓(xùn)練之前,讓我們先來(lái)了解一下該數(shù)據(jù)集。讓我們打印出數(shù)據(jù)集的維度。

wKgaomUD4Q2AGdzEAAAQyMeVJTI030.png

可以看到,該數(shù)據(jù)集一共有119條數(shù)據(jù)和128個(gè)特征,最后一列實(shí)際上是我們的數(shù)據(jù)標(biāo)簽

接下來(lái),我們將數(shù)據(jù)集分為訓(xùn)練集和測(cè)試集,訓(xùn)練集用于訓(xùn)練模型,測(cè)試集用于檢驗(yàn)?zāi)P偷姆夯芰ΑN覀儗?0%的數(shù)據(jù)用于訓(xùn)練,20%的數(shù)據(jù)用于測(cè)試

wKgZomUD4Q6ABKjvAAAR-ZcH9P0359.png

一旦數(shù)據(jù)集準(zhǔn)備就緒,我們就可以開始訓(xùn)練模型。

wKgaomUD4Q-ALBHPAAARKZ0n_Wc971.png

訓(xùn)練完成后,我們可以在測(cè)試集上驗(yàn)證模型的性能。我們發(fā)現(xiàn),該模型在測(cè)試集上可以達(dá)到約83%的準(zhǔn)確率。

wKgZomUD4RGAXC1cAAAMzxFr-Kk233.png

最后,我們保存經(jīng)過訓(xùn)練的模型,將得到一個(gè)ONNX格式的文件random_forest.onnx

wKgaomUD4ROARq8xAAAYSkkxvYs429.png

我們使用netron查看模型的結(jié)構(gòu)如下

wKgZomUD4RSAF0qBAAA0vTTdQrw667.png

STM32Cube集成使得STM32Cube.AI 用戶能夠有效地在廣泛的STM32微控制器系列產(chǎn)品之間移植模型,并且(在相似型號(hào)適用于不同產(chǎn)品的情況下)在STM32產(chǎn)品之間輕松遷移。

該插件擴(kuò)展了STM32CubeMX功能,可自動(dòng)轉(zhuǎn)換訓(xùn)練好的AI模型,生成的優(yōu)化庫(kù)集成到用戶項(xiàng)目中,而不是人工構(gòu)建代碼,并支持將深度學(xué)習(xí)解決方案嵌入到廣泛的STM32微控制器產(chǎn)品組合中,從而為每個(gè)產(chǎn)品添加新的智能化功能。

STM32Cube.AI 原生支持各種深度學(xué)習(xí)框架,如Keras、TensorFlow? Lite、ConvNetJs,并支持可導(dǎo)出為ONNX標(biāo)準(zhǔn)格式的所有框架,如PyTorch?、Microsoft? Cognitive Toolkit、MATLAB?等。

此外,STM32Cube.AI 支持來(lái)自廣泛ML開源庫(kù)Scikit-Learn的標(biāo)準(zhǔn)機(jī)器學(xué)習(xí)算法,如隨機(jī)森林、支持向量機(jī)(SVM)、K-Means。

wKgZomUD4RWAUTbyAAKDyt4R8E4214.png

現(xiàn)在,我們準(zhǔn)備將模型部署到MCU。我們使用STM32Cube.AI 的命令行模式將模型轉(zhuǎn)換為經(jīng)過優(yōu)化的C代碼。我們運(yùn)用以下命令執(zhí)行模型轉(zhuǎn)換。

stm32ai generate -m random_forest.onnx

如果轉(zhuǎn)換成功,我們將看到以下消息。

wKgaomUD4RaAR-RBAABNx5WTB4Q483.png

在stm32ai_output文件夾中,我們將看到有以下文件生成。其中,network.c/.h包含關(guān)于模型拓?fù)涞囊恍?a target="_blank">信息,而network_data.c/.h則記錄了關(guān)于模型權(quán)重的一些信息。

wKgZomUD4RiAdg8-AAAPUJULdFM116.png

此時(shí),我們準(zhǔn)備好將生成的模型集成到stm32項(xiàng)目中。在CLI模式下,我們需要手動(dòng)添加STM32Cube.AI 的運(yùn)行環(huán)境到項(xiàng)目,所以我們可以調(diào)用network.h中的函數(shù)來(lái)運(yùn)行模型。

當(dāng)然,STM32Cube.AI 提供一種更簡(jiǎn)便的方式來(lái)集成AI模型。假設(shè)您的項(xiàng)目從一個(gè)ioc文件開始,我們可以將AI模型添加到cubeMX的代碼生成階段,然后一起生成代碼。

wKgaomUD4RmACYQVAAIMBxx7CzY878.png

啟用cubeMX中的AI功能如下,選擇對(duì)應(yīng)的STM32Cube.AI 的版本。

wKgaomUD4RqAScIUAAJA_ooDWGA081.png

我們可借此將AI模型集成到項(xiàng)目中。

就這樣,在我們生成代碼后,AI模型轉(zhuǎn)化為優(yōu)化的C代碼,然后與STM32Cube.AI 運(yùn)行環(huán)境的對(duì)應(yīng)版本一起集成到項(xiàng)目中。

wKgZomUD4R2AIBh1AAIc_GoEEtk597.png

這樣,我們就可以調(diào)用network.h中的函數(shù)將模型運(yùn)行起來(lái)。

最終,我們通過這種方式順利地將模型集成到了項(xiàng)目中。通過比較這兩種不同的方法,我們可以發(fā)現(xiàn)STM32Cube.AI 和NanoEdgeAI之間的差異。NanoEdgeAI更簡(jiǎn)單、高效,而STM32Cube.AI 則更加靈活且可定制。

來(lái)源:意法半導(dǎo)體中國(guó)

審核編輯:湯梓紅

聲明:本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點(diǎn)僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場(chǎng)。文章及其配圖僅供工程師學(xué)習(xí)之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問題,請(qǐng)聯(lián)系本站處理。 舉報(bào)投訴
  • 電機(jī)
    +關(guān)注

    關(guān)注

    142

    文章

    9001

    瀏覽量

    145343
  • AI
    AI
    +關(guān)注

    關(guān)注

    87

    文章

    30754

    瀏覽量

    268902
  • 模型
    +關(guān)注

    關(guān)注

    1

    文章

    3229

    瀏覽量

    48811
收藏 人收藏

    評(píng)論

    相關(guān)推薦

    意法半導(dǎo)體STM32Cube.AI生態(tài)系統(tǒng)加強(qiáng)對(duì)高效機(jī)器學(xué)習(xí)的支持

    意法半導(dǎo)體STM32Cube.AI開發(fā)環(huán)境為用戶提供各種機(jī)器學(xué)習(xí)技術(shù),為他們盡可能高效地解決分類、聚類和新穎性檢測(cè)三種算法挑戰(zhàn)提供更多靈活性。
    發(fā)表于 08-24 09:10 ?1015次閱讀
    意法半導(dǎo)體<b class='flag-5'>STM32Cube.AI</b>生態(tài)系統(tǒng)加強(qiáng)對(duì)高效機(jī)器學(xué)習(xí)的支持

    使用cube-AI分析模型時(shí)報(bào)錯(cuò)的原因有哪些?

    使用cube-AI分析模型時(shí)報(bào)錯(cuò),該模型是pytorch的cnn轉(zhuǎn)化成onnx ``` Neural Network Tools for STM
    發(fā)表于 03-14 07:09

    STM CUBE AI錯(cuò)誤導(dǎo)入onnx模型報(bào)錯(cuò)的原因?

    使用cube-AI分析模型時(shí)報(bào)錯(cuò),該模型是pytorch的cnn轉(zhuǎn)化成onnx ``` Neural Network Tools for STM
    發(fā)表于 05-27 07:15

    如何在STM32f4系列開發(fā)板上部署STM32Cube.AI

    已下載STM32Cube.AI擴(kuò)展包,但是無(wú)法使用,感覺像是沒有部署AI模型,我是想要通過攝像頭拍照,上傳圖像后,經(jīng)過開發(fā)板處理器進(jìn)行AI
    發(fā)表于 11-18 09:39

    如何使用stm32cube.ai部署神經(jīng)網(wǎng)絡(luò)?

    如何用stm32cube.ai簡(jiǎn)化人工神經(jīng)網(wǎng)絡(luò)映射?如何使用stm32cube.ai部署神經(jīng)網(wǎng)絡(luò)?
    發(fā)表于 10-11 08:05

    輕松實(shí)現(xiàn)一鍵部署AI模型至RT-Thread系統(tǒng)

    AI 模型部署到 RT-Thread 系統(tǒng)中:示例DEMO本教程 RT-AK 適配目標(biāo)平臺(tái):STM32以下項(xiàng)目為 RT-AK 的
    發(fā)表于 09-02 15:06

    X-CUBE-AI STM32Cube擴(kuò)展包精選資料推薦

    【X-CUBE-AI】是一個(gè)STM32Cube擴(kuò)展包,它是STM32Cube.AI生態(tài)系統(tǒng)的一部分。它擴(kuò)展了STM32CubeMX的功能,自動(dòng)轉(zhuǎn)換預(yù)訓(xùn)練的人工智能算法,包括神經(jīng)網(wǎng)絡(luò)和經(jīng)
    發(fā)表于 11-29 07:43

    請(qǐng)問STM32WL可以與STM32Cube.AI一起使用嗎?

    新手問題 - 我可以將 AISTM32WL SoC 一起使用嗎?我想訓(xùn)練一個(gè)模型,然后用STM32Cube.AI放到STM32WLE5
    發(fā)表于 12-07 07:45

    ST MCU邊緣AI開發(fā)者云 - STM32Cube.AI

    我們的 STM32Cube.AI 生態(tài)系統(tǒng)攜手合作。這款新工具可以通過云在STM32硬件上遠(yuǎn)程對(duì)模型進(jìn)行基準(zhǔn)測(cè)試,從而節(jié)省工作量和成本。為了滿足對(duì)基于AI的邊緣系統(tǒng)日益增長(zhǎng)的需求,
    發(fā)表于 02-02 09:52

    STM32Cube.AI庫(kù)的高級(jí)特性

    STM32Cube.AI是意法半導(dǎo)體AI生態(tài)系統(tǒng)的一部分,是STM32Cube的一個(gè)擴(kuò)展包,它可以自動(dòng)轉(zhuǎn)換和優(yōu)化預(yù)先訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型并將生成的優(yōu)化庫(kù)集成到用戶項(xiàng)目中,從而擴(kuò)展了
    的頭像 發(fā)表于 11-16 16:59 ?3103次閱讀
    <b class='flag-5'>STM32Cube.AI</b>庫(kù)的高級(jí)特性

    STM32Cube.AI將神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)換為STM32的優(yōu)化代碼

      STM32Cube.AI 工具箱的美妙之處在于它使開發(fā)人員能夠立即開始使用神經(jīng)網(wǎng)絡(luò),即使他們不是數(shù)據(jù)挖掘和拓?fù)浞矫娴膶<摇?/div>
    的頭像 發(fā)表于 05-16 10:24 ?1853次閱讀

    如何基于STM32Cube.AI 從零開始創(chuàng)建AI項(xiàng)目

    NanoEdgeAI是一款端到端工具,允許對(duì)數(shù)據(jù)進(jìn)行一些預(yù)處理,并進(jìn)行訓(xùn)練和算法選擇,而STM32Cube.AI 則需要工程師具備一定的AI建模經(jīng)驗(yàn),因?yàn)?b class='flag-5'>STM32Cube.AI 暫不支持模型
    的頭像 發(fā)表于 07-30 09:31 ?3852次閱讀

    意法半導(dǎo)體發(fā)布STM32Cube.AI開發(fā)工具

    意法半導(dǎo)體(ST)發(fā)布了STM32Cube.AI version 7.2.0,這是微控制器廠商推出的首款支持超高效深度量化神經(jīng)網(wǎng)絡(luò)的人工智能(AI)開發(fā)工具。
    的頭像 發(fā)表于 08-09 17:56 ?1374次閱讀

    STM32Cube.AI v7.3能夠在推理時(shí)間和RAM之間找到完美的平衡

    STM32Cube.AI 7.3 啟動(dòng)了一個(gè)新系統(tǒng),使開發(fā)人員能夠選擇是優(yōu)先考慮 RAM、性能還是兩者之間的平衡方法。因此,它建立在先前版本 STM32Cube.AI 7.2的工作基礎(chǔ)上,該版本引入了擴(kuò)展層和深度量化神經(jīng)網(wǎng)絡(luò),并允許用戶根據(jù)其約束對(duì)其進(jìn)行微調(diào)算法。
    的頭像 發(fā)表于 02-02 10:09 ?973次閱讀

    如何在OpenMV生態(tài)系統(tǒng)中集成STM32Cube.AI生成的代碼

    電子發(fā)燒友網(wǎng)站提供《如何在OpenMV生態(tài)系統(tǒng)中集成STM32Cube.AI生成的代碼.pdf》資料免費(fèi)下載
    發(fā)表于 09-20 09:55 ?0次下載
    如何在OpenMV生態(tài)系統(tǒng)中集成<b class='flag-5'>STM32Cube.AI</b>生成的代碼
    主站蜘蛛池模板: 色狼亚洲色图| 日日碰狠狠躁久久躁77777| 美女18毛片免费视频| 免费国产综合视频在线看| 欧美jizz19性欧美| 日本久久精品免视看国产成人 | 激情欧美日韩一区二区| 久久九九久精品国产尤物| 蜜臀亚洲AV永久无码精品老司机| 欧美日韩亚洲中字二区| 色综合伊人色综合网站中国| 亚洲精品久久久久中文字幕二区 | 国产精品.XX视频.XXTV | 干极品美女| 国产在线亚洲精品观看不卡| 久久亚洲精品专区蓝色区| 欧美牲交A欧美牲交| 无码日本亚洲一区久久精品| 伊人亚洲综合青草青草久热| av av在线| 国产欧美日韩综合精品一区二区| 久久精品热99看二| 青青草原在线免费| 亚洲国产系列一区二区三区| 91精品免费久久久久久久久| 高清国产mv视频在线观看| 好好的曰com久久| 女配穿书病娇被强啪h| 无套内射纹身女视频| 中文字幕人成人乱码亚洲影视S| a级男女性高爱潮高清试看| 国产精品人妻无码久久久2022| 久久亚洲成a人片| 日韩精品在线看| 影音先锋男人av橹橹色| 成人手机在线观看| 久99re视频9在线观看| 日本护士hd| 中国字字幕在线播放2019| 国产3级在线观看| 蕾丝边娱乐网|