تتوفر حزمة وظيفة FP-AI-FACEREC1 الآن عند الطلب ، مما يتيح لمجتمع ST تشغيل تطبيقات جديدة تستفيد من التعرف على الوجه على STM32H7 ، وذلك بفضل استخدامه STM32Cube.AI.. توفر الحزمة ثنائيًا للوحة STM32H747I-DISCO ولوحة مهايئ الكاميرا ST's B-CAMS-OMV. يوفر الأخير موصل امتداد لوحدات الكاميرا OpenMV و Waveshare. يتعامل البرنامج مع التسجيل على الجهاز ، والتحكم في الكاميرا ، والواجهات ، وعصا التحكم على اللوحة ، والتقاط الصور ، والمعالجة المسبقة ، ومكتبة التعلم الآلي. يمكن لقاعدة البيانات الخاصة به تخزين ما يصل إلى 100 مستخدم ، وتعمل العملية بمعدل 3.6 إطار في الثانية على ذاكرة الوصول العشوائي (RAM) والفلاش. نتيجة لذلك ، من الممكن تصور تطبيق لا يتطلب ذاكرة خارجية. علاوة على ذلك ، لا يحتاج الحل إلا إلى كاميرا RGB منخفضة الدقة وإضاءة محيطة منتظمة وموضوعات تصل إلى 1.5 متر (5 أقدام).
السعر الجديد للقبول
خلال مائدة مستديرة مع مدونة ST ، شارك أحد بيوت التصميم كيف يرغب العملاء بشكل متزايد في الاستفادة من الذكاء الاصطناعي. ومع ذلك ، لا يزال حاجز الدخول مرتفعًا. قد يؤدي تطوير نماذج الذكاء الاصطناعي للمعالجات الدقيقة ذات الموارد المحدودة إلى زيادة التكاليف الإجمالية ، والاعتماد الضروري على علماء البيانات يعني أن الفرق الأصغر في وضع غير مؤات. لذلك ، يعد FP-AI-FACEREC1 أمرًا بالغ الأهمية لأنه يوضح أنه من الممكن تشغيل خوارزمية شبكة عصبية معقدة على متحكم دقيق. بالإضافة إلى ذلك ، تساعد أدوات برامج ST في التخفيف من بعض التعقيدات الكامنة لخفض حاجز الدخول. ببساطة ، أصبح سعر الدخول إلى AI مجرد STM32 Discovery Kit نظرًا لأن جميع برامج التطوير تعمل مع أدوات ST مجانية مثل STM32CubeIDE و STM32CubeMonitor
FP-AI-FACEREC1 ، فصل جديد في اختراق سوق التعلم الآلي
أصبح التعلم الآلي ضرورة
فتحت حزمة برامج ST الجديدة الباب أمام التطبيقات التي يمكن أن تستفيد من الذكاء الاصطناعي ولكن لا يمكن أن تبرر استثمارات ضخمة. عندما بدأت الهواتف الذكية في مصادقة المستخدمين عن طريق مسح الوجوه ، كان على الشركات المصنعة ضخ الكثير من النقود والقوى العاملة. لا تتطلب الحاجة إلى الدقة القصوى وشهادات الأمان الصارمة التي تحكم حالات الاستخدام هذه أقل من ذلك. ومع ذلك ، نظرًا للنجاح الحاسم في التعرف على الوجه بين المستهلكين ، شهدت الشركات عائدًا سريعًا على استثماراتها. تظهر المشاكل عندما تحتاج الصناعات الأخرى إلى الذكاء الاصطناعي ولكن لا يمكن أن تتوقع نفس العوائد مثل بائعي الهواتف الذكية.
عامل مركب آخر هو ظهور التطبيقات المخصصة للمستخدم والتي تعتمد على التعرف على الوجه. في الواقع ، يطلب المزيد والمزيد من العملاء القدرة على تخصيص الإعدادات أو التنبيهات أو السلوكيات لكل مستخدم. تقليديًا ، يختار المستخدمون حساباتهم من خلال النقر على زر أو اختيار صورة رمزية أو إدخال اسم المستخدم وكلمة المرور. باستخدام برنامج التعرف على الوجه ، يمكن للواجهة التعرف تلقائيًا على المستخدمين وتشغيل خدماتهم أو إعداداتهم. قبل بضع سنوات ، طرح صانعو أجهزة ألعاب الفيديو هذه الفكرة لعامة الناس. مع FP-AI-FACEREC1 ، من الممكن تقديم ميزة مماثلة دون الحاجة إلى نظام ألعاب باهظ الثمن.
أصبح التعرف على الوجه بشكل متزايد في مركز التطبيقات الجديدة التي تركز على رفاهية المستخدم. على سبيل المثال ، يمكن لصانع أفران المستهلك استخدام التعلم الآلي لاكتشاف طفل قريب عندما يكون الجهاز ساخنًا ، وتشغيل قفل تلقائي لمنع الحوادث. وبالمثل ، فإن استخدام التعرف على الوجه في المصعد يمكن أن يضمن أن الأطفال يذهبون إلى أرضهم فقط لمنعهم من الضياع.
أصبح التعلم الآلي أكثر سهولة
يعد FP-AI-FACEREC1 ضروريًا لأنه يمكّن الصناعات الجديدة من الاستفادة من التعلم الآلي ، وذلك بفضل المقايضات الخاصة به. يعني تشغيل الكود على STM32H7 أن التطبيقات تستخدم طبقات صور أقل ودقة أقل من الأنظمة التي تركز على المصادقة الآمنة. لا يحتاج الفرن أو المصعد إلى تلبية نفس معايير الدقة مثل الكمبيوتر الذي يصادق على المستخدم. يوضح FP-AI-FACEREC1 أنه من الممكن استخدام ذاكرة وصول عشوائي أقل وإنتاجية حسابية مع الاحتفاظ بالدقة التي تناسب تطبيقات السوق الشامل. علاوة على ذلك ، يمكن أن تستوعب حزمة برامج ST مصراعًا عالميًا لتقليل ضبابية الحركة أو الأشعة تحت الحمراء مدخل بطاقة الذاكرة : نعم لتحسين أداء الإضاءة المنخفضة. بالاقتران مع مستشعر وقت الرحلة ، يمكن أن تعالج حزمة الوظائف اكتشاف القرب. في النهاية ، يعتبر مثال التطبيق بمثابة أساس للمهندسين الذين يتطلعون إلى الابتكار.
سيعمل نفس الحل أيضًا على STM32MP1 لإرضاء المهندسين الذين يحتاجون إلى مزيد من الطاقة. تتطلب بعض الفرق توزيع Linux مضمنًا لتشغيل خادم الويب بسهولة أكبر. قد يحتاج البعض الآخر إلى قوة نواة Cortex-A7 لواجهة المستخدم الرسومية. في جميع الحالات ، من الممكن استخدام نفس نموذج TensorFlow Lite مثل FP-AI-FACEREC1 وتشغيله على Linux. وبالتالي ، يمكن للمطورين الاستمتاع بمزيد من الإطارات في الثانية مع الاستفادة من نفس مساحة الذاكرة. نتيجة لذلك ، فإن وجود نظام يمكن تشغيله على نظام RTOS عالي المستوى يجعل التعرف على الوجه أكثر سهولة.
FP-AI-FACEREC1 ، قصة جديدة حول التعلم الآلي على النظام المضمن
التعرف على الوجه ممكن بفضل الابتكار
يعد التعلم الآلي موضوعًا معقدًا ويمكن أن يكون مخيفًا. حزمة برامج ST هي حل يحاول إزالة الغموض عن العمليات في العمل وهذا يوضح إلى أي مدى وصلت الصناعة. تتمثل الخطوة الأولى في التقاط صورة لتحديد ما إذا كان هناك وجه يجب اكتشافه. بعد ذلك ، يتم تحويل ملامح وجه الشخص إلى مجموعة من أرقام الفاصلة العائمة (Float32Vector). لذلك ، فإن النظام سري تمامًا لأن الصورة نفسها لا يتم تخزينها أبدًا في قاعدة البيانات ، والعملية برمتها محلية بالكامل. لا يرسل التطبيق البيانات أبدًا إلى السحابة. أخيرًا ، تميز FP-AI-FACEREC1 نفسها عن بقية الصناعة لأنها تستخدم STM32Cube.AI لتحسين شبكتها العصبية. نتيجة لذلك ، فإنه يستخدم ذاكرة أقل ويوفر أداءً أكبر على وحدات MCU STM32.
التعرف على الوجه ممكن بفضل التحسين
جانب آخر مثير من حل ST هو أنه يساعد على فهم استخدام الذاكرة والتحسينات. على سبيل المثال ، تأخذ كل صورة تلتقطها الكاميرا 150 كيلوبايت من ذاكرة الوصول العشوائي بينما يأخذ المخزن المؤقت للصور 225 كيلوبايت. يمكن أن تتلاءم معظم المكتبات مع Flash ، بما في ذلك مكتبات الشبكة العصبية المحسّنة بواسطة STM32Cube.AI. نتيجة لذلك ، يمكن احتواء التطبيق بأكمله داخل STM32H7. يمكن للمطورين بعد ذلك تعديل طريقة التنفيذ لدينا لتلائم احتياجاتهم. ومع ذلك ، يضمن FP-AI-FACEREC1 أنها تبدأ من تنفيذ قوي بدلاً من صفحة فارغة.
التعرف على الوجه ممكن بفضل التعاون
تعمل حزم وظائف ST كنقطة انطلاق نحو المنتج النهائي. يمكن للفرق الاستفادة من التطبيقات التجريبية أثناء مرحلة النماذج الأولية قبل العمل على تنفيذ جاهز للإنتاج. لزيادة تسريع عمليات النشر ، يمكن للمهندسين الاعتماد على Nalbi ، وهو عضو في ST Partner Program. في الواقع ، تقدم الشركة نماذج التعلم العميق لرؤية الكمبيوتر التي تم تحسينها لـ STM32. ومن ثم ، يمكن للفرق استخدام خدمات FP-AI-FACEREC1 أو Nalbi للحصول على تنفيذ جاهز للإنتاج يستفيد من STM32Cube.AI ويحسن الأداء للحصول على فاتورة المواد الأكثر كفاءة..
يمكن للمهندسين تجربة الشبكة العصبية المدربة مسبقًا لـ FP-AI-FACEREC1 لتحقيق إثبات سريع للمفهوم. ومع ذلك ، عندما يتعلق الأمر بالإنتاج ، سيتعين على المطورين تدريب نموذج التعلم الآلي باستخدام قاعدة بيانات الوجوه الخاصة بهم. في الواقع ، تؤثر هذه الخطوة بشكل مباشر على التعرف على الوجه ضد الجنس وسمات الوجه ولون البشرة وزوايا الصورة والمزيد. نتيجة لذلك ، من الضروري استخدام قاعدة بيانات تدريبية تعكس حالة الاستخدام. بدلاً من ذلك ، من الممكن الاستفادة من برنامج Nalbi الجاهز للإنتاج لإنشاء تطبيق نهائي.
لمزيد من المعلومات، يرجى زيارة blog.st.com
ELE تايمز
-
ELE تايمزhttps://www.eletimes.com/author/eletimes-newsKeysight تنضم إلى مبادرة شركاء Google Cloud لدعم التنسيق السريع لخدمات 5G المبتكرة في Network Edge
-
ELE تايمزhttps://www.eletimes.com/author/eletimes-newsمصدر جديد للطاقة المتجددة
-
ELE تايمزhttps://www.eletimes.com/author/eletimes-newsكيف يدعم FT160 مراقبة الجودة في مرحلة ما بعد فيروس كورونا أشباه الموصلات تكثيف
-
ELE تايمزhttps://www.eletimes.com/author/eletimes-newsيفتح التعلم الآلي المستوى التالي في التنبؤ بالسلوك