FP-AI-FACEREC1 Function Pack kini tersedia atas permintaan, sehingga membolehkan komuniti ST menjalankan aplikasi baru yang memanfaatkan pengecaman wajah pada STM32H7, berkat penggunaan STM32Cube.AI. Pakej ini menawarkan perduaan untuk papan STM32H747I-DISCO dan papan penyesuai kamera ST B-CAMS-OMV. Yang terakhir ini menyediakan penyambung lanjutan untuk modul kamera OpenMV dan Waveshare. Perisian ini mengendalikan pendaftaran pada peranti, kawalan kamera, antaramuka, kayu bedik di papan tulis, pengambilan gambar, pra-pemprosesan, dan perpustakaan pembelajaran mesin. Pangkalan datanya dapat menyimpan hingga 100 pengguna, dan prosesnya berjalan pada 3.6 bingkai sesaat pada RAM dan flash yang tersemat. Akibatnya, mungkin untuk membayangkan aplikasi yang tidak memerlukan memori luaran. Lebih-lebih lagi, penyelesaiannya hanya memerlukan kamera RGB beresolusi rendah, pencahayaan ambien biasa, dan subjek hingga 1.5 meter (5 kaki).
Harga Kemasukan Baru
Semasa meja bulat dengan The ST Blog, sebuah rumah reka bentuk berkongsi bagaimana pelanggan semakin ingin mendapat manfaat daripada AI. Walau bagaimanapun, halangan untuk masuk masih tinggi. Membangunkan model AI untuk mikroprosesor yang dibatasi sumber dapat meningkatkan kos keseluruhan, dan pergantungan yang diperlukan pada para saintis data bermaksud pasukan yang lebih kecil berada pada kerugian. Oleh itu, FP-AI-FACEREC1 sangat penting kerana menunjukkan bahawa mungkin untuk menjalankan algoritma rangkaian saraf yang kompleks pada mikrokontroler. Selain itu, alat perisian ST membantu mengurangkan beberapa kerumitan yang wujud untuk mengurangkan halangan masuk. Ringkasnya, harga kemasukan ke AI menjadi Kit Penemuan STM32 kerana semua perisian pembangunan berfungsi dengan alat ST percuma seperti STM32CubeIDE dan STM32CubeMonitor
FP-AI-FACEREC1, Bab Baru dalam Penembusan Pasar Pembelajaran Mesin
Pembelajaran Mesin Menjadi Keperluan
Pakej ST Perisian baru membuka pintu kepada aplikasi yang dapat memanfaatkan kecerdasan buatan tetapi tidak dapat membenarkan pelaburan besar-besaran. Ketika telefon pintar mula mengesahkan pengguna dengan mengimbas wajah, pengeluar terpaksa menyuntik banyak wang dan tenaga kerja. Keperluan untuk ketepatan yang melampau dan perakuan keselamatan yang ketat yang mengatur kes penggunaan tersebut tidak menuntut yang lebih kurang. Namun, memandangkan kejayaan penting pengecaman wajah di kalangan pengguna, syarikat melihat pulangan pelaburan mereka dengan cepat. Masalah timbul apabila industri lain memerlukan AI tetapi tidak dapat memperoleh pulangan yang sama seperti vendor telefon pintar.
Faktor penggabungan lain adalah peningkatan aplikasi yang disesuaikan pengguna yang bergantung pada pengecaman wajah. Sememangnya, semakin banyak pelanggan menuntut kemampuan untuk menyesuaikan tetapan, amaran, atau tingkah laku untuk setiap pengguna. Secara tradisional, pengguna memilih akaun mereka dengan mengklik butang, memilih avatar, atau memasukkan log masuk dan kata laluan. Dengan perisian pengecaman wajah, antara muka dapat mengenali pengguna secara automatik dan melancarkan perkhidmatan atau tetapan mereka. Beberapa tahun yang lalu, pembuat konsol permainan video membawa idea ini kepada masyarakat umum. Dengan FP-AI-FACEREC1, ada kemungkinan untuk menawarkan ciri serupa tanpa memerlukan sistem permainan yang mahal.
Pengecaman wajah semakin menjadi pusat aplikasi baru yang memberi tumpuan kepada kesejahteraan pengguna. Sebagai contoh, pembuat ketuhar pengguna dapat menggunakan pembelajaran mesin untuk mengesan anak di sekitar semasa alat sedang panas, dan mencetuskan kunci automatik untuk mencegah kemalangan. Begitu juga, menggunakan pengecaman wajah di lif dapat memastikan anak-anak hanya pergi ke lantai mereka untuk mengelakkan mereka tersesat.
Pembelajaran Mesin Menjadi Lebih Mudah Diakses
FP-AI-FACEREC1 sangat mustahak kerana ia membolehkan industri baru mendapat manfaat daripada pembelajaran mesin, berkat pertukarannya. Menjalankan kod pada STM32H7 bermaksud aplikasi menggunakan lapisan gambar lebih sedikit dan resolusi lebih rendah daripada sistem yang memfokuskan pada pengesahan yang selamat. Ketuhar atau lif tidak perlu memenuhi standard ketepatan yang sama dengan komputer yang mengesahkan pengguna. Oleh itu, FP-AI-FACEREC1 menunjukkan bahawa mungkin menggunakan lebih sedikit RAM dan throughput komputasi sambil mengekalkan ketepatan yang sesuai dengan aplikasi pasaran massa. Lebih-lebih lagi, pek perisian ST dapat menampung shutter global untuk mengurangkan pergerakan kabur atau inframerah sensor untuk meningkatkan prestasi cahaya rendah. Dikombinasikan dengan sensor Time-of-Flight, Function Pack dapat mengatasi pengesanan jarak. Pada akhirnya, contoh aplikasi berfungsi sebagai asas bagi jurutera yang ingin berinovasi.
Penyelesaian yang sama juga akan berfungsi pada STM32MP1 untuk memuaskan jurutera yang memerlukan lebih banyak tenaga. Beberapa pasukan memerlukan pengedaran Linux yang tersemat untuk menjalankan pelayan web dengan lebih mudah. Yang lain mungkin memerlukan kekuatan teras Cortex-A7 untuk GUI. Dalam semua kes, adalah mungkin untuk menggunakan model TensorFlow Lite yang sama dengan FP-AI-FACEREC1 dan menjalankannya di Linux. Oleh itu, pemaju dapat menikmati lebih banyak bingkai sesaat sambil memanfaatkan jejak memori yang sama. Akibatnya, memiliki sistem yang dapat dijalankan pada RTOS tingkat tinggi menjadikan pengecaman wajah jauh lebih mudah diakses.
FP-AI-FACEREC1, Kisah Baru Mengenai Pembelajaran Mesin pada Sistem Tertanam
Pengecaman Muka Mungkin Berkat Inovasi
Pembelajaran Mesin adalah subjek yang kompleks, dan boleh menakutkan. Pakej perisian ST adalah penyelesaian yang cuba mengungkap proses di tempat kerja dan yang menunjukkan sejauh mana industri telah maju. Langkah pertama adalah mengambil gambar untuk menentukan apakah ada wajah yang dapat dikesan. Selepas itu, ciri wajah seseorang diubah menjadi pelbagai nombor titik terapung (Float32Vector). Oleh itu, sistem ini sangat rahsia kerana gambar itu sendiri tidak pernah disimpan dalam pangkalan data, dan keseluruhan prosesnya sepenuhnya bersifat tempatan. Aplikasi tidak pernah menghantar data ke cloud. Akhirnya, FP-AI-FACEREC1 membezakan dirinya daripada industri lain kerana menggunakan STM32Cube.AI untuk mengoptimumkan rangkaian sarafnya. Hasilnya, ia menggunakan lebih sedikit memori dan menawarkan prestasi yang lebih besar pada STM32 MCU.
Pengecaman Muka Mungkin Berkat Pengoptimuman
Aspek lain yang menarik dari penyelesaian ST ialah ia membantu memahami penggunaan dan pengoptimuman memori. Sebagai contoh, setiap gambar yang diambil oleh kamera mengambil 150 KB RAM sementara penyangga gambar mengambil 225 KB. Sebilangan besar perpustakaan dapat dimuatkan dalam Flash, termasuk perpustakaan rangkaian saraf yang dioptimumkan oleh STM32Cube.AI. Akibatnya, keseluruhan aplikasi dapat dimasukkan ke dalam STM32H7. Pemaju kemudian dapat menyesuaikan pelaksanaan kami agar sesuai dengan keperluan mereka. Walau bagaimanapun, FP-AI-FACEREC1 memastikan bahawa mereka bermula dari pelaksanaan yang kuat dan bukannya halaman kosong.
Pengecaman Muka Mungkin Berkat Kerjasama
Pek Fungsi ST berfungsi sebagai batu loncatan menuju produk akhir. Pasukan dapat memanfaatkan aplikasi demo selama fasa prototaip sebelum mengerjakan pelaksanaan siap produksi. Untuk mempercepat penerapan, jurutera boleh bergantung pada Nalbi, ahli Program Rakan ST. Syarikat ini menawarkan model pembelajaran mendalam untuk penglihatan komputer yang dioptimumkan untuk STM32. Oleh itu, pasukan boleh menggunakan perkhidmatan FP-AI-FACEREC1 atau Nalbi untuk melaksanakan pelaksanaan yang memanfaatkan STM32Cube.AI dan mengoptimumkan prestasi untuk bahan yang paling cekap mungkin.
Jurutera boleh bereksperimen dengan rangkaian saraf pra-terlatih FP-AI-FACEREC1 untuk mencapai konsep bukti cepat. Walau bagaimanapun, ketika datang ke produksi, pemaju harus melatih model pembelajaran mesin dengan pangkalan data wajah mereka. Sesungguhnya, langkah ini memberi kesan langsung kepada pengecaman wajah terhadap jantina, sifat wajah, warna kulit, sudut gambar, dan banyak lagi. Akibatnya, sangat penting untuk menggunakan pangkalan data latihan yang mencerminkan kes penggunaan. Sebagai alternatif, adalah mungkin untuk memanfaatkan perisian siap pengeluaran Nalbi untuk membina aplikasi akhir.
Untuk maklumat lanjut, sila layari blog.st.com
ELE Kali
-
ELE Kalihttps://www.eletimes.com/author/eletimes-newsKeysight Bergabung dengan Inisiatif Rakan Awan Google untuk Menyokong Agile Orchestration of 5G Innovative di Network Edge
-
ELE Kalihttps://www.eletimes.com/author/eletimes-newsSumber Tenaga Boleh Diperbaharui yang Berpotensi Baru
-
ELE Kalihttps://www.eletimes.com/author/eletimes-newsBagaimana FT160 Menyokong Kawalan Kualiti dalam Pasca COVID Semikonduktor Meningkatkan
-
ELE Kalihttps://www.eletimes.com/author/eletimes-newsPembelajaran mesin membuka tahap seterusnya dalam Ramalan Tingkah Laku