Paket Fungsi FP-AI-FACEREC1 sekarang tersedia sesuai permintaan, sehingga memungkinkan komunitas ST untuk menjalankan aplikasi baru yang memanfaatkan pengenalan wajah pada STM32H7, berkat penggunaan STM32Cube.AI. Paket ini menawarkan biner untuk papan STM32H747I-DISCO dan papan adaptor kamera B-CAMS-OMV ST. Yang terakhir menyediakan konektor ekstensi untuk modul kamera OpenMV dan Waveshare. Perangkat lunak ini menangani pendaftaran di perangkat, kontrol kamera, antarmuka, joystick di papan, pengambilan gambar, pra-pemrosesan, dan perpustakaan pembelajaran mesin. Basis datanya dapat menyimpan hingga 100 pengguna, dan prosesnya berjalan pada 3.6 frame per detik pada RAM dan flash yang tertanam. Akibatnya, dimungkinkan untuk membuat aplikasi yang tidak memerlukan memori eksternal. Selain itu, solusinya hanya membutuhkan kamera RGB resolusi rendah, pencahayaan sekitar biasa, dan subjek hingga 1.5 meter (5 kaki).
Harga Tiket Masuk Baru
Selama pertemuan meja bundar dengan The ST Blog, sebuah rumah desain membagikan bagaimana pelanggan semakin ingin mendapat manfaat dari AI. Namun, hambatan masuknya masih tinggi. Mengembangkan model AI untuk mikroprosesor dengan sumber daya terbatas dapat meningkatkan biaya keseluruhan, dan ketergantungan yang diperlukan pada ilmuwan data berarti tim yang lebih kecil dirugikan. Oleh karena itu, FP-AI-FACEREC1 sangat penting karena menunjukkan bahwa dimungkinkan untuk menjalankan algoritma jaringan saraf yang kompleks pada mikrokontroler.. Selain itu, perangkat lunak ST membantu meringankan beberapa kompleksitas yang melekat untuk menurunkan hambatan masuk. Sederhananya, harga masuk ke AI baru saja menjadi STM32 Discovery Kit karena semua perangkat lunak pengembangan bekerja dengan alat ST gratis seperti STM32CubeIDE dan STM32CubeMonitor
FP-AI-FACEREC1, Babak Baru dalam Penetrasi Pasar Pembelajaran Mesin
Pembelajaran Mesin Menjadi Suatu Kebutuhan
Paket Perangkat Lunak ST yang baru membuka pintu ke aplikasi yang dapat memanfaatkan kecerdasan buatan tetapi tidak dapat membenarkan investasi besar-besaran. Ketika smartphone mulai mengautentikasi pengguna dengan memindai wajah, produsen harus menyuntikkan banyak uang dan tenaga. Kebutuhan akan akurasi ekstrim dan sertifikasi keamanan yang ketat yang mengatur kasus penggunaan seperti itu menuntut tidak kurang. Namun, mengingat keberhasilan kritis pengenalan wajah di kalangan konsumen, perusahaan melihat pengembalian investasi yang cepat. Masalah muncul ketika industri lain membutuhkan AI tetapi tidak dapat mengharapkan pengembalian yang sama seperti vendor smartphone.
Faktor peracikan lainnya adalah munculnya aplikasi khusus pengguna yang mengandalkan pengenalan wajah. Memang, semakin banyak pelanggan menuntut kemampuan untuk menyesuaikan pengaturan, peringatan, atau perilaku untuk setiap pengguna. Secara tradisional, pengguna memilih akun mereka dengan mengklik tombol, memilih avatar, atau memasukkan login dan kata sandi. Dengan perangkat lunak pengenalan wajah, antarmuka dapat secara otomatis mengenali pengguna dan meluncurkan layanan atau pengaturan mereka. Beberapa tahun yang lalu, pembuat konsol video game membawa ide ini ke masyarakat umum. Dengan FP-AI-FACEREC1, dimungkinkan untuk menawarkan fitur serupa tanpa memerlukan sistem permainan yang mahal.
Pengenalan wajah semakin menjadi pusat aplikasi baru yang berfokus pada kesejahteraan pengguna. Misalnya, pembuat oven konsumen dapat menggunakan pembelajaran mesin untuk mendeteksi anak di sekitar saat alat panas, dan memicu kunci otomatis untuk mencegah kecelakaan. Demikian pula, menggunakan pengenalan wajah di lift dapat memastikan anak-anak hanya pergi ke lantai mereka untuk mencegah mereka tersesat.
Pembelajaran Mesin Menjadi Lebih Mudah Diakses
FP-AI-FACEREC1 sangat penting karena memungkinkan industri baru mendapatkan manfaat dari pembelajaran mesin, berkat pengorbanannya. Menjalankan kode pada STM32H7 berarti aplikasi menggunakan lebih sedikit lapisan gambar dan resolusi lebih rendah daripada sistem yang berfokus pada otentikasi aman. Oven atau elevator tidak perlu memenuhi standar akurasi yang sama seperti komputer yang mengautentikasi pengguna. FP-AI-FACEREC1 dengan demikian menunjukkan bahwa dimungkinkan untuk menggunakan lebih sedikit RAM dan throughput komputasi sambil mempertahankan akurasi yang sesuai dengan aplikasi pasar massal. Selain itu, paket perangkat lunak ST dapat mengakomodasi rana global untuk mengurangi keburaman gerakan atau inframerah Sensor untuk meningkatkan kinerja cahaya rendah. Dikombinasikan dengan sensor Time-of-Flight, Function Pack dapat mengatasi deteksi jarak. Pada akhirnya, contoh aplikasi berfungsi sebagai dasar bagi para insinyur yang ingin berinovasi.
Solusi yang sama juga akan bekerja pada STM32MP1 untuk memuaskan para insinyur yang membutuhkan lebih banyak daya. Beberapa tim memerlukan distribusi Linux tertanam agar lebih mudah menjalankan server web. Orang lain mungkin memerlukan kekuatan inti Cortex-A7 untuk GUI. Dalam semua kasus, dimungkinkan untuk menggunakan model TensorFlow Lite yang sama dengan FP-AI-FACEREC1 dan menjalankannya di Linux. Oleh karena itu, pengembang dapat menikmati lebih banyak frame per detik sambil memanfaatkan jejak memori yang sama. Akibatnya, memiliki sistem yang dapat berjalan pada RTOS tingkat tinggi membuat pengenalan wajah jauh lebih mudah diakses.
FP-AI-FACEREC1, Kisah Baru Tentang Pembelajaran Mesin pada Sistem Tertanam
Pengenalan Wajah Mungkin Berkat Inovasi
Machine Learning adalah materi pelajaran yang kompleks, dan dapat mengintimidasi. Paket perangkat lunak ST adalah solusi yang mencoba mengungkap proses di tempat kerja dan yang menunjukkan seberapa jauh industri telah berjalan. Langkah pertama adalah mengambil gambar untuk menentukan apakah ada wajah yang akan dideteksi. Setelah itu, fitur wajah seseorang diubah menjadi array angka floating-point (Float32Vector). Oleh karena itu, sistem ini sepenuhnya rahasia karena gambar itu sendiri tidak pernah disimpan dalam database, dan seluruh proses sepenuhnya bersifat lokal. Aplikasi tidak pernah mengirim data ke cloud. Terakhir, FP-AI-FACEREC1 membedakan dirinya dari industri lainnya karena menggunakan STM32Cube.AI untuk mengoptimalkan jaringan sarafnya. Akibatnya, ia menggunakan lebih sedikit memori dan menawarkan kinerja yang lebih baik pada MCU STM32.
Pengenalan Wajah Dimungkinkan Berkat Pengoptimalan
Aspek menarik lainnya dari solusi ST adalah membantu memahami penggunaan dan pengoptimalan memori. Misalnya, setiap gambar yang diambil oleh kamera membutuhkan 150 KB RAM sedangkan buffer gambar membutuhkan 225 KB. Sebagian besar perpustakaan dapat ditampung dalam Flash, termasuk perpustakaan jaringan saraf yang dioptimalkan oleh STM32Cube.AI. Hasilnya, seluruh aplikasi dapat masuk ke dalam STM32H7. Pengembang kemudian dapat mengubah implementasi kami agar sesuai dengan kebutuhan mereka. Namun, FP-AI-FACEREC1 memastikan bahwa mereka memulai dari implementasi yang kuat daripada halaman kosong.
Pengenalan Wajah Mungkin Berkat Kolaborasi
Paket Fungsi ST berfungsi sebagai batu loncatan menuju produk akhir. Tim dapat memanfaatkan aplikasi demo selama fase pembuatan prototipe sebelum mengerjakan implementasi siap produksi. Untuk lebih mempercepat penerapan, teknisi dapat mengandalkan Nalbi, anggota Program Mitra ST. Memang, perusahaan menawarkan model pembelajaran mendalam untuk visi komputer yang dioptimalkan untuk STM32. Oleh karena itu, tim dapat menggunakan layanan FP-AI-FACEREC1 atau Nalbi untuk memiliki implementasi siap produksi yang memanfaatkan STM32Cube.AI dan mengoptimalkan kinerja untuk bill of material yang paling efisien..
Insinyur dapat bereksperimen dengan jaringan saraf pra-terlatih FP-AI-FACEREC1 untuk mencapai bukti konsep yang cepat. Namun, dalam hal produksi, pengembang harus melatih model pembelajaran mesin dengan database wajah mereka. Memang, langkah ini secara langsung berdampak pada pengenalan wajah terhadap jenis kelamin, ciri wajah, warna kulit, sudut gambar, dan banyak lagi. Akibatnya, sangat penting untuk menggunakan database pelatihan yang mencerminkan kasus penggunaan. Atau, dimungkinkan untuk memanfaatkan perangkat lunak siap produksi Nalbi untuk membangun aplikasi akhir.
Untuk informasi lebih lanjut, kunjungi blog.st.com
Waktu ELE
-
Waktu ELEhttps://www.eletimes.com/author/eletimes-newsKeysight Bergabung dengan Inisiatif Mitra Google Cloud untuk Mendukung Orkestrasi Agile Layanan 5G Inovatif di Network Edge
-
Waktu ELEhttps://www.eletimes.com/author/eletimes-newsPotensi Sumber Energi Terbarukan Baru
-
Waktu ELEhttps://www.eletimes.com/author/eletimes-newsBagaimana FT160 Mendukung Kontrol Kualitas Pasca-COVID Semikonduktor Peningkatan
-
Waktu ELEhttps://www.eletimes.com/author/eletimes-newsPembelajaran mesin Membuka Level Selanjutnya dalam Prediksi Perilaku