使用 Edge Impulse，可以創(chuàng)建嵌入微型機器學(xué)習和 DNN 模型的智能設(shè)備解決方案。基于云的解決方案抽象了現(xiàn)實世界傳感器數(shù)據(jù)收集和存儲、數(shù)據(jù)特征提取、ML 和 DNN 模型訓(xùn)練和轉(zhuǎn)換為嵌入式代碼以及在 STM32 MCU 設(shè)備上部署模型的復(fù)雜性。無需安裝本地 AI 框架，工程師只需一次函數(shù)調(diào)用即可生成模型并將其導(dǎo)出到他們的 STM32 項目中。所有生成的神經(jīng)網(wǎng)絡(luò)現(xiàn)在都充分利用 STM32Cube.AI以確保它們盡可能快速和節(jié)能地運行，并且可以使用STM32CubeMX完全定制固件。

在微控制器上部署機器學(xué)習 （ML） 模型是過去幾年最激動人心的發(fā)展之一，它允許小型電池供電設(shè)備檢測復(fù)雜運動、識別聲音、分類圖像或發(fā)現(xiàn)傳感器數(shù)據(jù)中的異常。為了讓每個嵌入式開發(fā)人員都可以構(gòu)建和部署這些模型，STMicroelectronics 和 Edge Impulse 一直在合作，將對 STM32CubeMX 和 STM32Cube.AI 的支持集成到 Edge Impulse。Edge Impulse Cloud 現(xiàn)在能夠通過本地 STM32Cube.AI 引擎導(dǎo)出神經(jīng)網(wǎng)絡(luò)，以確保將最佳效率導(dǎo)入與 STM32CubeMX 項目兼容的 CMSIS PACK。這為開發(fā)人員提供了一種簡單的方法來收集數(shù)據(jù)、構(gòu)建模型并部署到任何 STM32 MCU。

小型設(shè)備的機器學(xué)習

嵌入式系統(tǒng)上的機器學(xué)習（通常稱為 TinyML）有可能允許創(chuàng)建無需將數(shù)據(jù)發(fā)送到云端就可以做出明智決策的小型設(shè)備——從效率和隱私的角度來看非常棒。為了在微控制器上運行深度學(xué)習模型（基于人工神經(jīng)網(wǎng)絡(luò)），ST 推出了STM32Cube.AI。STM32Cube.AI 是一個軟件包，可以采用預(yù)先訓(xùn)練的深度學(xué)習模型，并將它們轉(zhuǎn)換為可以在 STM32 MCU 上運行的高度優(yōu)化的數(shù)學(xué) C 代碼。提取正確的特征、構(gòu)建質(zhì)量數(shù)據(jù)集以及訓(xùn)練模型以便將其部署到 STM32 上，這些都是構(gòu)建基于 ML 的解決方案的關(guān)鍵步驟。

機器學(xué)習讓一切變得簡單

嵌入式開發(fā)人員可能天生對機器學(xué)習持懷疑態(tài)度。在嵌入式設(shè)備上分析傳感器數(shù)據(jù)并不是什么新鮮事。幾十年來，開發(fā)人員一直在使用信號處理從原始數(shù)據(jù)中提取有趣的特征。然后通過簡單的基于規(guī)則的系統(tǒng)解釋信號處理的結(jié)果，例如，當信號中的總能量超過閾值時發(fā)送消息。盡管這些系統(tǒng)運行良好，但很難檢測到復(fù)雜的事件，因為您需要針對系統(tǒng)的每個潛在狀態(tài)進行規(guī)劃。

Edge Impulse 有助于可視化特征以理解復(fù)雜的數(shù)據(jù)集

我們可以用機器學(xué)習做的是在更細粒度的問題中找到這些邊界和閾值。例如，在異常檢測中，您可以訓(xùn)練一個機器學(xué)習模型（經(jīng)典或神經(jīng)網(wǎng)絡(luò)）來查看數(shù)據(jù)集中的所有數(shù)據(jù)，根據(jù)信號處理管道的輸出對它們進行聚類（仍然與您使用的 DSP 指令相同）總是），然后將新數(shù)據(jù)與集群進行比較。監(jiān)督模型學(xué)習數(shù)據(jù)中的所有潛在變化，并創(chuàng)建比手動構(gòu)建更精確和細粒度的閾值。

學(xué)習集群的小型機器學(xué)習模型。藍點代表訓(xùn)練數(shù)據(jù)，藍色圓圈是機器學(xué)習模型學(xué)習的集群。橙色點是傳入的新數(shù)據(jù)。由于數(shù)據(jù)在任何已知集群之外，這是一個異常現(xiàn)象。

而且由于這些閾值可以在如此細粒度的問題中自動計算，因此可以檢測到更復(fù)雜的事件。編寫檢測麥克風何時拾取高于 100dB 的聲音的代碼相對容易，但檢測一個人是否說“是”或“否”則非常復(fù)雜。機器學(xué)習確實在那里大放異彩。

不是黑匣子

但是將控制權(quán)交給機器學(xué)習模型可能會很可怕。如果您在數(shù)百萬臺設(shè)備中部署模型，您希望確保該模型確實有效，并且您沒有錯過任何邊緣情況。為了解決這個問題，Edge Impulse 傾向于傳統(tǒng)的信號處理管道與小型 ML 模型搭配，而不是深度 ML“黑盒類型”模型；它有許多可視化工具來幫助確定數(shù)據(jù)集的質(zhì)量，根據(jù)當前模型分析新數(shù)據(jù)，并在真實設(shè)備上快速測試模型。特征瀏覽器根據(jù) 3D 圖形中所有生成的窗口繪制提取的特征，允許開發(fā)人員探索數(shù)據(jù)集并了解這些特征是否可以輕松地被模型分離。

在 Edge Impulse 中可視化口語關(guān)鍵字。每個點代表 1 秒的音頻?？梢钥焖俨榭串惓Ｖ?，您可以單擊一個點來收聽關(guān)鍵字。

使用 STM32Cube.AI 在頂部添加神經(jīng)網(wǎng)絡(luò)模型

例如，在為分類或回歸任務(wù)構(gòu)建神經(jīng)網(wǎng)絡(luò)時，優(yōu)化目標微控制器的模型占用空間和執(zhí)行時間至關(guān)重要。Developers automatically benefit from all STM32Cube.AI optimizations as the tool is automatically called in the Cloud when the STM32Cube.AI CMSIS-PACK export option is selected.

STM32Cube.AI 執(zhí)行模型量化和其他優(yōu)化，允許以最小的性能下降進行壓縮，并為所有 STM32 微控制器生成優(yōu)化的 C 代碼。

STM32Cube.AI CMSIS-PACK 部署將整個模型打包，包括所有信號處理代碼和機器學(xué)習模型，并創(chuàng)建一個與 STM32CubeIDE 集成的 CMSIS-PACK。此包可在任何 Cortex-M4F、Cortex-M7 或 Cortex-M33 STM32 MCU 上運行。

要將 CMSIS-PACK 添加到您的 STM32 項目中，請按照分步指南進行操作。然后，您可以為在 STM32Cube 環(huán)境中嵌入機器學(xué)習模型的任何基于 STM32 的產(chǎn)品開發(fā)自定義固件。

審核編輯：郭婷