Das Funktionspaket FP-AI-FACEREC1 ist jetzt on-demand verfügbar, sodass die ST-Community dank der Verwendung von STM32Cube.AI new neue Anwendungen ausführen kann, die die Gesichtserkennung auf einem STM7H32 nutzen. Das Paket enthält eine Binärdatei für das STM32H747I-DISCO-Board und das B-CAMS-OMV-Kameraadapterboard von ST. Letztere bietet einen Erweiterungsanschluss für OpenMV- und Waveshare-Kameramodule. Die Software übernimmt die Registrierung auf dem Gerät, die Kamerasteuerung, Schnittstellen, Joysticks auf dem Board, die Bilderfassung, die Vorverarbeitung und die Bibliothek für maschinelles Lernen. Seine Datenbank kann bis zu 100 Benutzer speichern und der Prozess läuft mit 3.6 Bildern pro Sekunde auf dem eingebetteten RAM und Flash. Als Ergebnis ist es möglich, eine Anwendung zu konzipieren, die keinen externen Speicher benötigt. Darüber hinaus benötigt die Lösung nur eine niedrig auflösende RGB-Kamera, normale Umgebungsbeleuchtung und Motive in einer Entfernung von bis zu 1.5 Metern.
Der neue Eintrittspreis
Während eines Roundtables mit The ST Blog teilte ein Designhaus mit, wie Kunden zunehmend von KI profitieren wollen. Allerdings ist die Eintrittsbarriere noch hoch. Die Entwicklung von KI-Modellen für Mikroprozessoren mit begrenzten Ressourcen kann die Gesamtkosten erhöhen, und die notwendige Abhängigkeit von Datenwissenschaftlern bedeutet, dass kleinere Teams benachteiligt sind. FP-AI-FACEREC1 ist daher kritisch, da es zeigt, dass es möglich ist, einen komplexen neuronalen Netzwerkalgorithmus auf einem Mikrocontroller auszuführen. Darüber hinaus tragen ST-Softwaretools dazu bei, einige der inhärenten Komplexitäten zu verringern, um die Eintrittsbarriere zu senken. Einfach ausgedrückt, der Eintrittspreis für KI wurde gerade zu einem STM32 Discovery Kit, da alle Entwicklungssoftware mit kostenlosen ST-Tools wie STM32CubeIDE und STM32CubeMonitor arbeitet
FP-AI-FACEREC1, ein neues Kapitel in der Marktdurchdringung des maschinellen Lernens
Maschinelles Lernen wird zur Notwendigkeit
Das neue ST-Softwarepaket hat die Tür zu Anwendungen geöffnet, die von künstlicher Intelligenz profitieren können, aber keine massiven Investitionen rechtfertigen können. Als Smartphones anfingen, Benutzer durch das Scannen von Gesichtern zu authentifizieren, mussten die Hersteller viel Geld und Arbeitskraft injizieren. Der Bedarf an extremer Genauigkeit und die strengen Sicherheitszertifizierungen, die solche Anwendungsfälle regeln, verlangen nicht weniger. Angesichts des kritischen Erfolgs der Gesichtserkennung bei den Verbrauchern sahen die Unternehmen jedoch einen schnellen Return on Investment. Probleme treten auf, wenn andere Branchen KI benötigen, aber nicht die gleichen Renditen wie Smartphone-Anbieter erwarten können.
Ein weiterer Faktor, der sich verstärkt, ist die Zunahme von benutzerindividuellen Anwendungen, die auf Gesichtserkennung basieren. Tatsächlich verlangen immer mehr Kunden die Möglichkeit, Einstellungen, Warnungen oder Verhaltensweisen für jeden Benutzer anzupassen. Traditionell wählen Benutzer ihr Konto aus, indem sie auf eine Schaltfläche klicken, einen Avatar auswählen oder einen Benutzernamen und ein Passwort eingeben. Mit Gesichtserkennungssoftware kann die Schnittstelle Benutzer automatisch erkennen und ihre Dienste oder Einstellungen starten. Vor einigen Jahren brachten die Hersteller von Videospielkonsolen diese Idee der breiten Öffentlichkeit vor. Mit FP-AI-FACEREC1 ist es möglich, ein ähnliches Feature anzubieten, ohne ein teures Gaming-System zu benötigen.
Gesichtserkennung steht immer mehr im Mittelpunkt neuer Anwendungen, bei denen das Wohlbefinden des Nutzers im Mittelpunkt steht. Ein Hersteller von Verbraucheröfen könnte beispielsweise mithilfe von maschinellem Lernen ein Kind in der Nähe erkennen, während das Gerät heiß ist, und eine automatische Sperre auslösen, um Unfälle zu vermeiden. Ebenso kann die Verwendung der Gesichtserkennung in einem Aufzug sicherstellen, dass Kinder nur bis zu ihrer Etage gehen, um zu verhindern, dass sie sich verirren.
Maschinelles Lernen wird zugänglicher
FP-AI-FACEREC1 ist unerlässlich, da es dank seiner Kompromisse neuen Branchen ermöglicht, vom maschinellen Lernen zu profitieren. Das Ausführen des Codes auf einem STM32H7 bedeutet, dass Anwendungen weniger Bildebenen und eine niedrigere Auflösung verwenden als Systeme, die sich auf sichere Authentifizierung konzentrieren. Ein Ofen oder Aufzug muss nicht die gleichen Genauigkeitsstandards erfüllen wie ein Computer, der einen Benutzer authentifiziert. FP-AI-FACEREC1 zeigt somit, dass es möglich ist, weniger RAM und Rechendurchsatz zu verwenden und gleichzeitig eine Genauigkeit beizubehalten, die für Massenmarktanwendungen geeignet ist. Darüber hinaus kann das ST-Softwarepaket einen Global Shutter aufnehmen, um Bewegungsunschärfe oder ein Infrarot zu reduzieren Sensor um die Leistung bei schwachem Licht zu verbessern. In Kombination mit einem Time-of-Flight-Sensor könnte das Funktionspaket die Näherungserkennung angehen. Letztlich dient das Anwendungsbeispiel als Grundlage für innovationsorientierte Ingenieure.
Die gleiche Lösung funktioniert auch auf einem STM32MP1, um Ingenieure zufrieden zu stellen, die mehr Leistung benötigen. Einige Teams benötigen eine eingebettete Linux-Distribution, um einen Webserver einfacher ausführen zu können. Andere benötigen möglicherweise die Leistung eines Cortex-A7-Kerns für eine GUI. In allen Fällen ist es möglich, dasselbe TensorFlow Lite-Modell wie FP-AI-FACEREC1 zu verwenden und unter Linux auszuführen. Entwickler können daher mehr Bilder pro Sekunde genießen und gleichzeitig vom gleichen Speicherbedarf profitieren. Infolgedessen macht ein System, das auf einem High-Level-RTOS ausgeführt werden kann, die Gesichtserkennung viel zugänglicher.
FP-AI-FACEREC1, eine neue Geschichte über maschinelles Lernen auf eingebetteten Systemen
Gesichtserkennung dank Innovation möglich
Maschinelles Lernen ist ein komplexes Thema und kann einschüchternd wirken. Das Softwarepaket von ST ist eine Lösung, die versucht, die Prozesse bei der Arbeit zu entmystifizieren und zeigt, wie weit die Branche fortgeschritten ist. Der erste Schritt besteht darin, ein Bild aufzunehmen, um festzustellen, ob ein Gesicht erkannt werden muss. Anschließend werden die Gesichtszüge einer Person in ein Array von Gleitkommazahlen (Float32Vector) umgewandelt. Das System ist daher absolut vertraulich, da das Bild selbst nie in der Datenbank gespeichert wird und der gesamte Prozess vollständig lokal ist. Die Anwendung sendet niemals Daten an die Cloud. Schließlich unterscheidet sich FP-AI-FACEREC1 vom Rest der Branche, da es STM32Cube.AI verwendet, um sein neuronales Netzwerk zu optimieren. Dadurch verbraucht es weniger Speicher und bietet eine höhere Leistung auf STM32-MCUs.
Gesichtserkennung dank Optimierung möglich
Ein weiterer spannender Aspekt der ST-Lösung ist, dass sie dabei hilft, die Speichernutzung und -optimierungen zu verstehen. Jedes von der Kamera aufgenommene Bild benötigt beispielsweise 150 KB RAM, während der Bildpuffer 225 KB benötigt. Die meisten Bibliotheken passen in das Flash, einschließlich der neuronalen Netzwerkbibliotheken, die von STM32Cube.AI optimiert wurden. Dadurch passt die gesamte Anwendung in einen STM32H7. Entwickler können dann unsere Implementierung an ihre Bedürfnisse anpassen. FP-AI-FACEREC1 stellt jedoch sicher, dass sie mit einer leistungsstarken Implementierung beginnen und nicht mit einer leeren Seite.
Gesichtserkennung dank Zusammenarbeit möglich
Die Funktionspakete von ST dienen als Sprungbrett zu einem Endprodukt. Teams können Demoanwendungen während der Prototyping-Phase nutzen, bevor sie an einer produktionsreifen Implementierung arbeiten. Um die Bereitstellung weiter zu beschleunigen, können sich Ingenieure auf Nalbi verlassen, ein Mitglied des ST-Partnerprogramms. Tatsächlich bietet das Unternehmen Deep-Learning-Modelle für Computer Vision an, die für STM32 optimiert wurden. Daher können Teams entweder FP-AI-FACEREC1 oder die Dienste von Nalbi verwenden, um eine produktionsreife Implementierung zu erhalten, die STM32Cube.AI nutzt und die Leistung für eine möglichst effiziente Stückliste optimiert.
Ingenieure können mit dem vortrainierten neuronalen Netzwerk von FP-AI-FACEREC1 experimentieren, um einen schnellen Proof-of-Concept zu erreichen. Wenn es jedoch um die Produktion geht, müssen Entwickler das Machine-Learning-Modell mit ihrer Gesichtsdatenbank trainieren. Tatsächlich wirkt sich dieser Schritt direkt auf die Gesichtserkennung in Bezug auf Geschlecht, Gesichtsmerkmale, Hauttöne, Bildwinkel und mehr aus. Daher ist es zwingend erforderlich, eine Trainingsdatenbank zu verwenden, die den Anwendungsfall widerspiegelt. Alternativ ist es möglich, die produktionsreife Software von Nalbi zu nutzen, um eine endgültige Anwendung zu erstellen.
Für weitere Informationen besuchen Sie blog.st.com
ELE-Zeiten
-
ELE-Zeitenhttps://www.eletimes.com/author/eletimes-newsKeysight tritt der Google Cloud Partner Initiative bei, um die agile Orchestrierung innovativer 5G-Dienste am Netzwerkrand zu unterstützen
-
ELE-Zeitenhttps://www.eletimes.com/author/eletimes-newsNeue potenzielle erneuerbare Energiequelle
-
ELE-Zeitenhttps://www.eletimes.com/author/eletimes-newsWie der FT160 die Qualitätskontrolle in Post-COVID unterstützt Halbleiter Aufstocken
-
ELE-Zeitenhttps://www.eletimes.com/author/eletimes-newsMaschinelles Lernen erschließt die nächste Stufe der Verhaltensvorhersage