谷动谷力

标题: 我在STM32单片机上跑神经网络算法 [打印本页]

作者: sunsili 时间: 2022-1-19 12:03
标题: 我在STM32单片机上跑神经网络算法
本帖最后由 sunsili 于 2023-5-9 15:13 编辑

我在STM32单片机上跑神经网络算法[color=rgba(0, 0, 0, 0.3)]

这里使用官方提供的模型进行测试，用keras框架训练：

https://github.com/Shahnawax/HAR-CNN-Keras

模型介绍

存储库包含以下文件

HAR.py，Python脚本文件，包含基于CNN的人类活动识别（HAR）模型的Keras实现，
actitracker_raw.txt、包含此实验中使用的数据集的文本文件，
model.h5，一个预训练模型，根据训练数据进行训练，
evaluate_model.py、Python 脚本文件，其中包含评估脚本。此脚本在提供的 testData 上评估预训练 netowrk 的性能，
testData.npy，Python 数据文件，包含用于评估可用预训练模型的测试数据，
groundTruth.npy，Python 数据文件，包含测试数据的相应输出的地面真值和
README.md.

1.这里默认大家都已经安装好了STM32CubeMX软件。

然后按照下面的步骤安装好CUBE.AI的扩展包

接下来就是熟悉得新建工程了

接下来就是配置下载接口和外部晶振了。

选择Software Packs，进入后把AI相关的两个包点开，第一个打上勾，第一个选择Validation。

System Performance工程：整个应用程序项目运行在STM32MCU上，可以准确测量NN推理结果，CP∪U负载和内存使用情况。使用串行终端监控结果（e.g.Tera Term）
Validation工程：完整的应用程序，在桌面PC和基于STM32 Arm Cortex-m的MCU嵌入式环境中，通过随机或用户测试数据，递增地验证NN返回的结果。与 X-CUBE-A验证工具一起使用。
Application Template工程：允许构建应用程序的空模板项目，包括多网络支持。

选择刚刚配置的串口作为调试用。

点击分析，可从中看到模型压缩前后的参数对比

致此，模型验证完成，下面开始模型部署

四、模型转换与部署

最后点击GENERATE CODE生成工程。

选择好下载器后就可以下载代码了。

代码烧写在芯片里后，回到CubeMX中下图所示位置，我们点击Validate on target，在板上运行验证程序，效果如下图，可以工作，证明模型成功部署在MCU中。

参考资料：

https://youtu.be/grgNXdkmzzQ?t=10
https://youtu.be/grgNXdkmzzQ?t=103

640?wx_fmt=png.jpg (131.38 KB, 下载次数: 96)

640?wx_fmt=png.jpg (168.31 KB, 下载次数: 92)

640?wx_fmt=png.jpg (55.7 KB, 下载次数: 103)

640?wx_fmt=png.jpg (237.04 KB, 下载次数: 85)

640?wx_fmt=png.jpg (174.73 KB, 下载次数: 103)

640?wx_fmt=png.jpg (68.21 KB, 下载次数: 102)

640?wx_fmt=png.jpg (80.22 KB, 下载次数: 82)

640?wx_fmt=png.jpg (131.03 KB, 下载次数: 91)

640?wx_fmt=png.jpg (120.82 KB, 下载次数: 100)

640?wx_fmt=png.jpg (95.72 KB, 下载次数: 85)

640?wx_fmt=png.jpg (97.85 KB, 下载次数: 98)

640?wx_fmt=png.jpg (139.14 KB, 下载次数: 104)

640?wx_fmt=png.jpg (25.03 KB, 下载次数: 93)

欢迎光临谷动谷力 (http://bbs.sunsili.com/)