Il Function Pack FP-AI-FACEREC1 è ora disponibile su richiesta, consentendo così alla comunità di ST di eseguire nuove applicazioni sfruttando il riconoscimento facciale su un STM32H7, grazie all'utilizzo di STM32Cube.AI. Il pacchetto offre un binario per la scheda STM32H747I-DISCO e la scheda adattatore per telecamera B-CAMS-OMV della ST. Quest'ultimo fornisce un connettore di estensione per i moduli telecamera OpenMV e Waveshare. Il software gestisce la registrazione sul dispositivo, il controllo della fotocamera, le interfacce, i joystick sulla scheda, l'acquisizione delle immagini, la pre-elaborazione e la libreria di apprendimento automatico. Il suo database può memorizzare fino a 100 utenti e il processo viene eseguito a 3.6 fotogrammi al secondo sulla RAM e sul flash incorporati. Di conseguenza, è possibile concepire un'applicazione che non richiederebbe memoria esterna. Inoltre, la soluzione richiede solo una fotocamera RGB a bassa risoluzione, un'illuminazione ambientale regolare e soggetti fino a 1.5 metri (5 piedi).
Il nuovo prezzo di ingresso
Durante una tavola rotonda con The ST Blog, una casa di design ha condiviso come i clienti vogliono sempre più beneficiare dell'intelligenza artificiale. Tuttavia, la barriera all'ingresso è ancora alta. Lo sviluppo di modelli di intelligenza artificiale per microprocessori con risorse limitate può aumentare i costi complessivi e la necessaria dipendenza dai data scientist significa che i team più piccoli sono svantaggiati. FP-AI-FACEREC1 è, quindi, critico perché mostra che è possibile eseguire un algoritmo di rete neurale complesso su un microcontrollore. Inoltre, gli strumenti software della ST aiutano ad alleviare alcune delle complessità intrinseche per abbassare la barriera all'ingresso. In parole povere, il prezzo di ammissione all'AI è appena diventato un Discovery Kit STM32 poiché tutto il software di sviluppo funziona con strumenti ST gratuiti come STM32CubeIDE e STM32CubeMonitor
FP-AI-FACEREC1, un nuovo capitolo nella penetrazione del mercato dell'apprendimento automatico
L'apprendimento automatico sta diventando una necessità
Il nuovo pacchetto ST Software ha aperto le porte ad applicazioni che possono beneficiare dell'intelligenza artificiale ma non possono giustificare investimenti massicci. Quando gli smartphone hanno iniziato ad autenticare gli utenti tramite la scansione dei volti, i produttori hanno dovuto iniettare molti soldi e manodopera. La necessità di un'estrema precisione e le rigide certificazioni di sicurezza che regolano tali casi d'uso non richiedono niente di meno. Tuttavia, dato il successo critico del riconoscimento facciale tra i consumatori, le aziende hanno visto un rapido ritorno sul loro investimento. I problemi sorgono quando altri settori necessitano dell'intelligenza artificiale ma non possono aspettarsi gli stessi ritorni dei fornitori di smartphone.
Un altro fattore di aggravamento è l'aumento delle applicazioni personalizzate dall'utente che si basano sul riconoscimento facciale. In effetti, sempre più clienti richiedono la possibilità di personalizzare impostazioni, avvisi o comportamenti per ciascun utente. Tradizionalmente, gli utenti scelgono il proprio account facendo clic su un pulsante, selezionando un avatar o inserendo login e password. Con il software di riconoscimento facciale, l'interfaccia può riconoscere automaticamente gli utenti e lanciare i loro servizi o impostazioni. Alcuni anni fa, i produttori di console per videogiochi hanno portato questa idea al grande pubblico. Con FP-AI-FACEREC1, è possibile offrire una funzionalità simile senza richiedere un costoso sistema di gioco.
Il riconoscimento facciale è sempre più al centro di nuove applicazioni che si concentrano sul benessere dell'utente. Ad esempio, un produttore di forni di consumo potrebbe utilizzare l'apprendimento automatico per rilevare un bambino nelle vicinanze mentre l'apparecchio è caldo e attivare un blocco automatico per prevenire incidenti. Allo stesso modo, l'uso del riconoscimento facciale in un ascensore può garantire che i bambini vadano solo al loro piano per evitare che si perdano.
L'apprendimento automatico sta diventando più accessibile
FP-AI-FACEREC1 è essenziale perché consente alle nuove industrie di beneficiare dell'apprendimento automatico, grazie ai suoi compromessi. L'esecuzione del codice su un STM32H7 significa che le applicazioni utilizzano meno livelli di immagine e una risoluzione inferiore rispetto ai sistemi incentrati sull'autenticazione sicura. Non è necessario che un forno o un ascensore soddisfino gli stessi standard di precisione di un computer che autentica un utente. FP-AI-FACEREC1 mostra quindi che è possibile utilizzare meno RAM e throughput computazionale mantenendo una precisione che si adatta alle applicazioni del mercato di massa. Inoltre, il pacchetto software ST può ospitare un otturatore globale per ridurre il motion blur o un infrarossi sensore per migliorare le prestazioni in condizioni di scarsa illuminazione. In combinazione con un sensore Time-of-Flight, il Function Pack potrebbe affrontare il rilevamento di prossimità. In definitiva, l'esempio applicativo funge da base per gli ingegneri che desiderano innovare.
La stessa soluzione funzionerà anche su un STM32MP1 per soddisfare gli ingegneri che necessitano di più potenza. Alcuni team richiedono una distribuzione Linux integrata per eseguire più facilmente un server Web. Altri potrebbero aver bisogno della potenza di un core Cortex-A7 per una GUI. In tutti i casi è possibile utilizzare lo stesso modello TensorFlow Lite di FP-AI-FACEREC1 ed eseguirlo su Linux. Gli sviluppatori possono, quindi, godere di più frame al secondo beneficiando allo stesso tempo dello stesso footprint di memoria. Di conseguenza, avere un sistema che può essere eseguito su un RTOS di alto livello rende il riconoscimento facciale molto più accessibile.
FP-AI-FACEREC1, una nuova storia sull'apprendimento automatico su sistemi integrati
Riconoscimento facciale possibile grazie all'innovazione
Il machine learning è un argomento complesso e può intimidire. Il pacchetto software della ST è una soluzione che cerca di demistificare i processi in atto e che mostra fino a che punto è andata avanti l'industria. Il primo passo è scattare una foto per determinare se c'è un volto da rilevare. Successivamente, i tratti del viso di una persona vengono convertiti in una serie di numeri in virgola mobile (Float32Vector). Il sistema è, quindi, del tutto confidenziale poiché l'immagine stessa non viene mai memorizzata nel database e l'intero processo è interamente locale. L'applicazione non invia mai dati al cloud. Infine, FP-AI-FACEREC1 si distingue dal resto del settore perché utilizza STM32Cube.AI per ottimizzare la sua rete neurale. Di conseguenza, utilizza meno memoria e offre prestazioni migliori su MCU STM32.
Riconoscimento facciale possibile grazie all'ottimizzazione
Un altro aspetto interessante della soluzione ST è che aiuta a comprendere l'utilizzo della memoria e le ottimizzazioni. Ad esempio, ogni immagine catturata dalla fotocamera richiede 150 KB di RAM mentre il buffer dell'immagine richiede 225 KB. La maggior parte delle librerie può essere inserita in Flash, comprese le librerie di rete neurale ottimizzate da STM32Cube.AI. Di conseguenza, l'intera applicazione può essere inserita in un STM32H7. Gli sviluppatori possono quindi modificare la nostra implementazione per adattarla alle loro esigenze. Tuttavia, FP-AI-FACEREC1 garantisce che inizino da un'implementazione potente piuttosto che da una pagina vuota.
Riconoscimento facciale possibile grazie alla collaborazione
I Function Pack della ST fungono da trampolino di lancio verso il prodotto finale. I team possono sfruttare le applicazioni demo durante la fase di prototipazione prima di lavorare su un'implementazione pronta per la produzione. Per accelerare ulteriormente le implementazioni, gli ingegneri possono fare affidamento su Nalbi, membro del programma ST Partner. In effetti, l'azienda offre modelli di deep learning per la visione artificiale che ha ottimizzato per STM32. Quindi, i team possono utilizzare FP-AI-FACEREC1 o i servizi di Nalbi per avere un'implementazione pronta per la produzione che sfrutta STM32Cube.AI e ottimizza le prestazioni per la distinta base più efficiente possibile.
Gli ingegneri possono sperimentare con la rete neurale pre-addestrata di FP-AI-FACEREC1 per ottenere un veloce proof-of-concept. Tuttavia, quando si tratta di produzione, gli sviluppatori dovranno addestrare il modello di apprendimento automatico con il loro database di volti. In effetti, questo passaggio ha un impatto diretto sul riconoscimento facciale rispetto a sessi, tratti del viso, tonalità della pelle, angoli dell'immagine e altro. Di conseguenza, è imperativo utilizzare un database di formazione che rifletta il caso d'uso. In alternativa, è possibile sfruttare il software pronto per la produzione di Nalbi per creare un'applicazione finale.
Per ulteriori informazioni, visitare blog.st.com
ELE Times
-
ELE Timeshttps://www.eletimes.com/author/eletimes-newsKeysight si unisce all'iniziativa Google Cloud Partner per supportare l'orchestrazione agile di servizi 5G innovativi a Network Edge
-
ELE Timeshttps://www.eletimes.com/author/eletimes-newsNuova potenziale fonte di energia rinnovabile
-
ELE Timeshttps://www.eletimes.com/author/eletimes-newsIn che modo l'FT160 supporta il controllo di qualità nel periodo post-COVID Semiconduttore Rampa
-
ELE Timeshttps://www.eletimes.com/author/eletimes-newsL'apprendimento automatico sblocca il livello successivo nella previsione del comportamento