El paquete de funciones FP-AI-FACEREC1 ahora está disponible bajo demanda, lo que permite a la comunidad de ST ejecutar nuevas aplicaciones aprovechando el reconocimiento facial en un STM32H7, gracias a su uso de STM32Cube.AI. El paquete ofrece un binario para la placa STM32H747I-DISCO y la placa adaptadora de cámara B-CAMS-OMV de ST. Este último proporciona un conector de extensión para módulos de cámara OpenMV y Waveshare. El software maneja la inscripción en el dispositivo, el control de la cámara, las interfaces, los joysticks en la placa, la captura de imágenes, el preprocesamiento y la biblioteca de aprendizaje automático. Su base de datos puede almacenar hasta 100 usuarios y el proceso se ejecuta a 3.6 fotogramas por segundo en la memoria RAM y flash incorporadas. Como resultado, es posible concebir una aplicación que no requiera memoria externa. Además, la solución solo necesita una cámara RGB de baja resolución, iluminación ambiental regular y sujetos a hasta 1.5 metros (5 pies).
El nuevo precio de entrada
Durante una mesa redonda con The ST Blog, una casa de diseño compartió cómo los clientes desean beneficiarse cada vez más de la IA. Sin embargo, la barrera de entrada sigue siendo alta. El desarrollo de modelos de inteligencia artificial para microprocesadores con recursos limitados puede aumentar los costos generales, y la dependencia necesaria de los científicos de datos significa que los equipos más pequeños están en desventaja. FP-AI-FACEREC1 es, por lo tanto, crítico porque muestra que es posible ejecutar un algoritmo de red neuronal complejo en un microcontrolador. Además, las herramientas de software ST ayudan a aliviar algunas de las complejidades inherentes para reducir la barrera de entrada. En pocas palabras, el precio de admisión a la IA se acaba de convertir en un kit de descubrimiento STM32, ya que todo el software de desarrollo funciona con herramientas ST gratuitas como STM32CubeIDE y STM32CubeMonitor.
FP-AI-FACEREC1, un nuevo capítulo en la penetración del mercado del aprendizaje automático
El aprendizaje automático se está convirtiendo en una necesidad
El nuevo paquete de software ST abrió la puerta a aplicaciones que pueden beneficiarse de la inteligencia artificial pero que no pueden justificar inversiones masivas. Cuando los teléfonos inteligentes comenzaron a autenticar a los usuarios escaneando rostros, los fabricantes tuvieron que inyectar mucho dinero y mano de obra. La necesidad de una precisión extrema y las estrictas certificaciones de seguridad que rigen estos casos de uso no exigen menos. Sin embargo, dado el éxito crítico del reconocimiento facial entre los consumidores, las empresas vieron un rápido retorno de su inversión. Los problemas surgen cuando otras industrias necesitan inteligencia artificial, pero no pueden esperar los mismos beneficios que los proveedores de teléfonos inteligentes.
Otro factor agravante es el aumento de aplicaciones personalizadas por el usuario que se basan en el reconocimiento facial. De hecho, cada vez más clientes exigen la capacidad de personalizar configuraciones, alertas o comportamientos para cada usuario. Tradicionalmente, los usuarios eligen su cuenta haciendo clic en un botón, seleccionando un avatar o ingresando un nombre de usuario y contraseña. Con el software de reconocimiento facial, la interfaz puede reconocer automáticamente a los usuarios e iniciar sus servicios o configuraciones. Hace unos años, los fabricantes de consolas de videojuegos llevaron esta idea al público en general. Con FP-AI-FACEREC1, es posible ofrecer una característica similar sin requerir un costoso sistema de juego.
El reconocimiento facial está cada vez más en el centro de las nuevas aplicaciones que se centran en el bienestar del usuario. Por ejemplo, un fabricante de hornos de consumo podría utilizar el aprendizaje automático para detectar a un niño cerca mientras el electrodoméstico está caliente y activar un bloqueo automático para evitar accidentes. Del mismo modo, el uso del reconocimiento facial en un ascensor puede garantizar que los niños solo vayan a su piso para evitar que se pierdan.
El aprendizaje automático se está volviendo más accesible
FP-AI-FACEREC1 es esencial porque permite que nuevas industrias se beneficien del aprendizaje automático, gracias a sus compensaciones. Ejecutar el código en un STM32H7 significa que las aplicaciones usan menos capas de imagen y una resolución más baja que los sistemas que se enfocan en la autenticación segura. No es necesario que un horno o ascensor cumpla con los mismos estándares de precisión que una computadora que autentica a un usuario. FP-AI-FACEREC1 muestra así que es posible utilizar menos RAM y rendimiento computacional mientras se conserva una precisión que se adapta a las aplicaciones del mercado masivo.. Además, el paquete de software ST puede acomodar un obturador global para reducir el desenfoque de movimiento o infrarrojos. sensor para mejorar el rendimiento con poca luz. Combinado con un sensor de tiempo de vuelo, el paquete de funciones podría abordar la detección de proximidad. En última instancia, el ejemplo de aplicación sirve como base para los ingenieros que buscan innovar.
La misma solución también funcionará en un STM32MP1 para satisfacer a los ingenieros que necesitan más potencia. Algunos equipos requieren una distribución de Linux incorporada para ejecutar más fácilmente un servidor web. Otros pueden necesitar la potencia de un núcleo Cortex-A7 para una GUI. En todos los casos, es posible utilizar el mismo modelo de TensorFlow Lite que FP-AI-FACEREC1 y ejecutarlo en Linux. Por lo tanto, los desarrolladores pueden disfrutar de más fotogramas por segundo mientras se benefician de la misma huella de memoria. Como resultado, tener un sistema que se puede ejecutar en un RTOS de alto nivel hace que el reconocimiento facial sea mucho más accesible.
FP-AI-FACEREC1, una nueva historia sobre el aprendizaje automático en el sistema integrado
El reconocimiento facial es posible gracias a la innovación
El aprendizaje automático es un tema complejo y puede resultar intimidante. El paquete de software de ST es una solución que intenta desmitificar los procesos en el trabajo y que muestra hasta dónde ha llegado la industria. El primer paso es tomar una foto para determinar si hay un rostro que detectar. Posteriormente, los rasgos faciales de una persona se convierten en una matriz de números de punto flotante (Float32Vector). Por lo tanto, el sistema es completamente confidencial, ya que la imagen en sí nunca se almacena en la base de datos y todo el proceso es completamente local. La aplicación nunca envía datos a la nube. Finalmente, FP-AI-FACEREC1 se distingue del resto de la industria porque utiliza STM32Cube.AI para optimizar su red neuronal. Como resultado, utiliza menos memoria y ofrece un mayor rendimiento en las MCU STM32..
Reconocimiento facial posible gracias a la optimización
Otro aspecto interesante de la solución ST es que ayuda a comprender el uso y las optimizaciones de la memoria. Por ejemplo, cada imagen capturada por la cámara ocupa 150 KB de RAM, mientras que el búfer de imagen ocupa 225 KB. La mayoría de las bibliotecas pueden caber en Flash, incluidas las bibliotecas de redes neuronales optimizadas por STM32Cube.AI. Como resultado, toda la aplicación puede caber dentro de un STM32H7. Luego, los desarrolladores pueden ajustar nuestra implementación para que se ajuste a sus necesidades. Sin embargo, FP-AI-FACEREC1 asegura que parten de una implementación poderosa en lugar de una página en blanco.
Reconocimiento facial posible gracias a la colaboración
Los paquetes de funciones de ST sirven como un trampolín hacia un producto final. Los equipos pueden aprovechar las aplicaciones de demostración durante la fase de creación de prototipos antes de trabajar en una implementación lista para producción. Para acelerar aún más las implementaciones, los ingenieros pueden confiar en Nalbi, miembro del Programa de socios ST. De hecho, la compañía ofrece modelos de aprendizaje profundo para visión por computadora que optimizó para STM32. Por lo tanto, los equipos pueden utilizar FP-AI-FACEREC1 o los servicios de Nalbi para tener una implementación lista para producción que aproveche STM32Cube.AI y optimice el rendimiento para la lista de materiales más eficiente posible..
Los ingenieros pueden experimentar con la red neuronal previamente entrenada de FP-AI-FACEREC1 para lograr una prueba de concepto rápida. Sin embargo, cuando se trata de producción, los desarrolladores deberán entrenar el modelo de aprendizaje automático con su base de datos de rostros. De hecho, este paso impacta directamente en el reconocimiento facial contra géneros, rasgos faciales, tonos de piel, ángulos de imagen y más.. Como resultado, es imperativo utilizar una base de datos de entrenamiento que refleje el caso de uso. Alternativamente, es posible aprovechar el software listo para producción de Nalbi para construir una aplicación final.
Para más información visite blog.st.com
Horarios ELE
-
Horarios ELEhttps://www.eletimes.com/author/eletimes-newsKeysight se une a la iniciativa de socios de Google Cloud para respaldar la orquestación ágil de servicios 5G innovadores en Network Edge
-
Horarios ELEhttps://www.eletimes.com/author/eletimes-newsNueva fuente potencial de energía renovable
-
Horarios ELEhttps://www.eletimes.com/author/eletimes-newsCómo el FT160 respalda el control de calidad después de COVID Semiconductores Rampa arriba
-
Horarios ELEhttps://www.eletimes.com/author/eletimes-newsEl aprendizaje automático desbloquea el siguiente nivel en la predicción del comportamiento