Le pack de fonctions FP-AI-FACEREC1 est désormais disponible à la demande, permettant ainsi à la communauté ST d'exécuter de nouvelles applications exploitant la reconnaissance faciale sur un STM32H7, grâce à son utilisation de STM32Cube.AI. Le package propose un binaire pour la carte STM32H747I-DISCO et la carte adaptateur de caméra B-CAMS-OMV de ST. Ce dernier fournit un connecteur d'extension pour les modules caméra OpenMV et Waveshare. Le logiciel gère l'inscription sur l'appareil, le contrôle de la caméra, les interfaces, les joysticks sur la carte, la capture d'images, le pré-traitement et la bibliothèque d'apprentissage automatique. Sa base de données peut stocker jusqu'à 100 utilisateurs, et le processus s'exécute à 3.6 images par seconde sur la RAM et la mémoire flash intégrées. En conséquence, il est possible de concevoir une application qui ne nécessiterait pas de mémoire externe. De plus, la solution n'a besoin que d'une caméra RVB basse résolution, d'un éclairage ambiant régulier et de sujets jusqu'à 1.5 mètre (5 pieds).
Le nouveau prix d'entrée
Lors d'une table ronde avec The ST Blog, une maison de conception a expliqué comment les clients souhaitent de plus en plus bénéficier de l'IA. Cependant, la barrière à l'entrée reste élevée. Le développement de modèles d'IA pour des microprocesseurs à ressources limitées peut augmenter les coûts globaux, et la dépendance nécessaire aux scientifiques des données signifie que les petites équipes sont désavantagées. FP-AI-FACEREC1 est donc critique car il montre qu'il est possible d'exécuter un algorithme de réseau de neurones complexe sur un microcontrôleur. De plus, les outils logiciels ST aident à atténuer certaines des complexités inhérentes pour abaisser la barrière à l'entrée. En termes simples, le prix d'admission à l'IA vient de devenir un kit de découverte STM32 puisque tous les logiciels de développement fonctionnent avec des outils ST gratuits tels que STM32CubeIDE et STM32CubeMonitor
FP-AI-FACEREC1, un nouveau chapitre dans la pénétration du marché de l'apprentissage automatique
L'apprentissage automatique devient une nécessité
Le nouveau progiciel ST Software a ouvert la porte à des applications pouvant bénéficier de l'intelligence artificielle mais ne pouvant justifier des investissements massifs. Lorsque les smartphones ont commencé à authentifier les utilisateurs en scannant les visages, les fabricants ont dû injecter beaucoup d'argent et de main-d'œuvre. Le besoin d'une précision extrême et les certifications de sécurité strictes qui régissent de tels cas d'utilisation n'exigent rien de moins. Cependant, étant donné le succès critique de la reconnaissance faciale auprès des consommateurs, les entreprises ont vu un retour sur investissement rapide. Des problèmes surviennent lorsque d'autres industries ont besoin d'IA mais ne peuvent pas s'attendre aux mêmes retours que les fournisseurs de smartphones.
Un autre facteur aggravant est la montée en puissance des applications personnalisées par l'utilisateur qui reposent sur la reconnaissance faciale. En effet, de plus en plus de clients exigent la possibilité de personnaliser les paramètres, les alertes ou les comportements de chaque utilisateur. Traditionnellement, les utilisateurs choisissent leur compte en cliquant sur un bouton, en sélectionnant un avatar ou en saisissant un identifiant et un mot de passe. Avec un logiciel de reconnaissance faciale, l'interface peut reconnaître automatiquement les utilisateurs et lancer leurs services ou leurs paramètres. Il y a quelques années, les fabricants de consoles de jeux vidéo ont fait connaître cette idée au grand public. Avec FP-AI-FACEREC1, il est possible d'offrir une fonctionnalité similaire sans nécessiter un système de jeu coûteux.
La reconnaissance faciale est de plus en plus au centre de nouvelles applications axées sur le bien-être de l'utilisateur. Par exemple, un fabricant de fours grand public pourrait utiliser l'apprentissage automatique pour détecter un enfant à proximité alors que l'appareil est chaud et déclencher un verrouillage automatique pour éviter les accidents. De même, l'utilisation de la reconnaissance faciale dans un ascenseur peut garantir que les enfants ne se rendent qu'à leur étage pour éviter qu'ils ne se perdent.
L'apprentissage automatique devient plus accessible
FP-AI-FACEREC1 est essentiel car il permet aux nouvelles industries de bénéficier du machine learning, grâce à ses compromis. L'exécution du code sur un STM32H7 signifie que les applications utilisent moins de couches d'images et une résolution inférieure à celles des systèmes axés sur l'authentification sécurisée. Un four ou un ascenseur n'a pas besoin de répondre aux mêmes normes de précision qu'un ordinateur authentifiant un utilisateur. FP-AI-FACEREC1 montre ainsi qu'il est possible d'utiliser moins de RAM et de débit de calcul tout en conservant une précision adaptée aux applications grand public. De plus, le pack logiciel ST peut accueillir un obturateur global pour réduire le flou de mouvement ou un infrarouge capteur pour améliorer les performances en basse lumière. Combiné à un capteur de temps de vol, le pack de fonctions pourrait s'attaquer à la détection de proximité. En fin de compte, l'exemple d'application sert de base aux ingénieurs qui cherchent à innover.
La même solution fonctionnera également sur un STM32MP1 pour satisfaire les ingénieurs qui ont besoin de plus de puissance. Certaines équipes ont besoin d'une distribution Linux intégrée pour exécuter plus facilement un serveur Web. D'autres peuvent avoir besoin de la puissance d'un cœur Cortex-A7 pour une interface graphique. Dans tous les cas, il est possible d'utiliser le même modèle TensorFlow Lite que FP-AI-FACEREC1 et de l'exécuter sous Linux. Les développeurs peuvent donc profiter de plus d'images par seconde tout en bénéficiant de la même empreinte mémoire. Par conséquent, disposer d'un système pouvant fonctionner sur un RTOS de haut niveau rend la reconnaissance faciale beaucoup plus accessible.
FP-AI-FACEREC1, une nouvelle histoire sur l'apprentissage automatique sur système embarqué
Reconnaissance faciale possible grâce à l'innovation
L'apprentissage automatique est un sujet complexe, et il peut être intimidant. Le progiciel de ST est une solution qui tente de démystifier les processus à l'œuvre et qui montre le chemin parcouru par l'industrie. La première étape consiste à prendre une photo pour déterminer s'il y a un visage à détecter. Ensuite, les traits du visage d'une personne sont convertis en un tableau de nombres à virgule flottante (Float32Vector). Le système est donc entièrement confidentiel puisque l'image elle-même n'est jamais stockée dans la base de données, et l'ensemble du processus est entièrement local. L'application n'envoie jamais de données vers le cloud. Enfin, FP-AI-FACEREC1 se distingue du reste de l'industrie car il utilise STM32Cube.AI pour optimiser son réseau de neurones. En conséquence, il utilise moins de mémoire et offre de meilleures performances sur les microcontrôleurs STM32.
Reconnaissance faciale possible grâce à l'optimisation
Un autre aspect intéressant de la solution ST est qu'elle aide à comprendre l'utilisation et les optimisations de la mémoire. Par exemple, chaque image capturée par la caméra prend 150 Ko de RAM tandis que la mémoire tampon d'image prend 225 Ko. La plupart des bibliothèques peuvent tenir dans Flash, y compris les bibliothèques de réseaux de neurones optimisées par STM32Cube.AI. En conséquence, l'ensemble de l'application peut tenir dans un STM32H7. Les développeurs peuvent ensuite modifier notre implémentation pour l'adapter à leurs besoins. Cependant, FP-AI-FACEREC1 garantit qu'ils partent d'une implémentation puissante plutôt que d'une page blanche.
Reconnaissance faciale possible grâce à la collaboration
Les packs fonctionnels de ST servent de tremplin vers un produit final. Les équipes peuvent tirer parti des applications de démonstration pendant la phase de prototypage avant de travailler sur une implémentation prête pour la production. Pour accélérer encore les déploiements, les ingénieurs peuvent compter sur Nalbi, membre du programme de partenariat ST. En effet, la société propose des modèles de deep learning pour la vision par ordinateur qu'elle a optimisés pour STM32. Par conséquent, les équipes peuvent utiliser FP-AI-FACEREC1 ou les services de Nalbi pour avoir une implémentation prête pour la production qui tire parti de STM32Cube.AI et optimise les performances pour la nomenclature la plus efficace possible.
Les ingénieurs peuvent expérimenter avec le réseau neuronal pré-entraîné de FP-AI-FACEREC1 pour obtenir une preuve de concept rapide. Cependant, en ce qui concerne la production, les développeurs devront former le modèle d'apprentissage automatique avec leur base de données de visages. En effet, cette étape a un impact direct sur la reconnaissance faciale en fonction du genre, des traits du visage, des tons de peau, des angles d'image, etc.. Par conséquent, il est impératif d'utiliser une base de données de formation qui reflète le cas d'utilisation. Alternativement, il est possible de tirer parti du logiciel prêt pour la production de Nalbi pour créer une application finale.
Pour plus d'informations, visitez le site blog.st.com
Horaires ELE
-
Horaires ELEhttps://www.eletimes.com/author/eletimes-newsKeysight rejoint l'initiative Google Cloud Partner pour prendre en charge l'orchestration agile de services 5G innovants à la périphérie du réseau
-
Horaires ELEhttps://www.eletimes.com/author/eletimes-newsNouvelle source d'énergie renouvelable potentielle
-
Horaires ELEhttps://www.eletimes.com/author/eletimes-newsComment le FT160 prend en charge le contrôle qualité post-COVID Semi-conducteurs Montée en puissance
-
Horaires ELEhttps://www.eletimes.com/author/eletimes-newsL'apprentissage automatique ouvre le prochain niveau dans la prédiction du comportement