Shunlongwei Co. Ltd

FP-AI-FACEREC1: het verlagen van de drempel voor machinaal leren onthult nieuwe toepassingen

Nieuws
Update: 6 augustus 2023
FP-AI-FACEREC1: het verlagen van de drempel voor machinaal leren onthult nieuwe toepassingen

Het FP-AI-FACEREC1-functiepakket is nu on-demand beschikbaar, waardoor de ST-gemeenschap nieuwe toepassingen kan uitvoeren die gebruikmaken van gezichtsherkenning op een STM32H7, dankzij het gebruik van STM32Cube.AI. Het pakket biedt een binair bestand voor het STM32H747I-DISCO-bord en het B-CAMS-OMV-camera-adapterbord van ST. De laatste biedt een uitbreidingsconnector voor OpenMV- en Waveshare-cameramodules. De software zorgt voor inschrijving op het apparaat, camerabesturing, interfaces, joysticks op het bord, beeldopname, voorbewerking en de machine learning-bibliotheek. De database kan maximaal 100 gebruikers bevatten en het proces loopt met 3.6 frames per seconde op het ingebouwde RAM en flash. Als gevolg hiervan is het mogelijk een toepassing te bedenken waarvoor geen extern geheugen nodig is. Bovendien heeft de oplossing alleen een RGB-camera met lage resolutie, normale omgevingsverlichting en onderwerpen tot 1.5 meter (5 voet) nodig.

De nieuwe toegangsprijs

Tijdens een rondetafelgesprek met The ST Blog deelde een designhuis hoe klanten steeds meer willen profiteren van AI. De toetredingsdrempel is echter nog steeds hoog. Het ontwikkelen van AI-modellen voor microprocessors met beperkte middelen kan de totale kosten verhogen, en de noodzakelijke afhankelijkheid van datawetenschappers betekent dat kleinere teams in het nadeel zijn. FP-AI-FACEREC1 is daarom van cruciaal belang omdat het laat zien dat het mogelijk is om een ​​complex neuraal netwerkalgoritme op een microcontroller te draaien. Bovendien helpen ST-softwaretools enkele van de inherente complexiteiten te verlichten om de toetredingsdrempel te verlagen. Simpel gezegd, de toegangsprijs voor AI is zojuist een STM32 Discovery Kit geworden, aangezien alle ontwikkelingssoftware werkt met gratis ST-tools zoals STM32CubeIDE en STM32CubeMonitor

FP-AI-FACEREC1, een nieuw hoofdstuk in de marktpenetratie van machine learning

Machine learning wordt een noodzaak

Het nieuwe ST-softwarepakket opende de deur naar toepassingen die kunnen profiteren van kunstmatige intelligentie, maar geen enorme investeringen kunnen rechtvaardigen. Toen smartphones gebruikers begonnen te authenticeren door gezichten te scannen, moesten fabrikanten veel geld en mankracht injecteren. De behoefte aan extreme nauwkeurigheid en de strenge beveiligingscertificeringen die van toepassing zijn op dergelijke use-cases, vereisen niets minder. Gezien het kritieke succes van gezichtsherkenning bij consumenten, zagen bedrijven hun investering snel terugverdienen. Er ontstaan ​​problemen wanneer andere industrieën AI nodig hebben, maar niet hetzelfde rendement kunnen verwachten als smartphoneleveranciers.

Een andere complicerende factor is de opkomst van door de gebruiker aangepaste toepassingen die afhankelijk zijn van gezichtsherkenning. Steeds meer klanten eisen inderdaad de mogelijkheid om instellingen, waarschuwingen of gedrag voor elke gebruiker aan te passen. Traditioneel kiezen gebruikers hun account door op een knop te klikken, een avatar te selecteren of een login en wachtwoord in te voeren. Met gezichtsherkenningssoftware kan de interface gebruikers automatisch herkennen en hun diensten of instellingen starten. Een paar jaar geleden brachten makers van videogameconsoles dit idee naar het grote publiek. Met FP-AI-FACEREC1 is het mogelijk om een ​​vergelijkbare functie aan te bieden zonder dat een duur spelsysteem nodig is.

Gezichtsherkenning staat steeds meer centraal in nieuwe toepassingen die zich richten op het welzijn van de gebruiker. Een maker van consumentenovens zou bijvoorbeeld machine learning kunnen gebruiken om een ​​kind in de buurt te detecteren terwijl het apparaat heet is, en een automatische vergrendeling te activeren om ongelukken te voorkomen. Evenzo kan het gebruik van gezichtsherkenning in een lift ervoor zorgen dat kinderen alleen naar hun verdieping gaan om te voorkomen dat ze verdwalen.

Machine learning wordt toegankelijker

FP-AI-FACEREC1 is essentieel omdat het nieuwe industrieën in staat stelt te profiteren van machine learning, dankzij de afwegingen. Als de code op een STM32H7 wordt uitgevoerd, gebruiken applicaties minder afbeeldingslagen en een lagere resolutie dan systemen die zich richten op veilige authenticatie. Een oven of lift hoeft niet aan dezelfde nauwkeurigheidsnormen te voldoen als een computer die een gebruiker authenticeert. FP-AI-FACEREC1 laat dus zien dat het mogelijk is om minder RAM en rekencapaciteit te gebruiken met behoud van een nauwkeurigheid die past bij massamarkttoepassingen. Bovendien is het ST-softwarepakket geschikt voor een globale sluiter om bewegingsonscherpte te verminderen of een infrarood sensor prestaties bij weinig licht te verbeteren. In combinatie met een Time-of-Flight-sensor kan het Function Pack de nabijheidsdetectie aanpakken. Uiteindelijk dient het toepassingsvoorbeeld als basis voor ingenieurs die willen innoveren.

Dezelfde oplossing werkt ook op een STM32MP1 om technici tevreden te stellen die meer vermogen nodig hebben. Sommige teams hebben een embedded Linux-distributie nodig om gemakkelijker een webserver te kunnen draaien. Anderen hebben mogelijk de kracht van een Cortex-A7-kern nodig voor een GUI. In alle gevallen is het mogelijk om hetzelfde TensorFlow Lite-model als FP-AI-FACEREC1 te gebruiken en op Linux uit te voeren. Ontwikkelaars kunnen daardoor profiteren van meer frames per seconde terwijl ze profiteren van dezelfde geheugenvoetafdruk. Als gevolg hiervan maakt het hebben van een systeem dat op een hoog niveau RTOS kan draaien gezichtsherkenning veel toegankelijker.

FP-AI-FACEREC1, een nieuw verhaal over machine learning op ingebed systeem

Gezichtsherkenning mogelijk dankzij innovatie

Machine Learning is een complexe materie en kan intimiderend zijn. Het softwarepakket van ST is een oplossing die de processen op het werk probeert te demystificeren en die laat zien hoe ver de industrie is gegaan. De eerste stap is om een ​​foto te maken om te bepalen of er een gezicht te detecteren is. Daarna worden de gelaatstrekken van een persoon omgezet in een reeks getallen met drijvende komma (Float32Vector). Het systeem is daarom volledig vertrouwelijk, aangezien de afbeelding zelf nooit in de database wordt opgeslagen en het hele proces volledig lokaal is. De applicatie stuurt nooit gegevens naar de cloud. Ten slotte onderscheidt FP-AI-FACEREC1 zich van de rest van de industrie omdat het STM32Cube.AI gebruikt om zijn neurale netwerk te optimaliseren. Als gevolg hiervan gebruikt het minder geheugen en biedt het betere prestaties op STM32 MCU's.

Gezichtsherkenning mogelijk dankzij optimalisatie

Een ander opwindend aspect van de ST-oplossing is dat het geheugengebruik en optimalisaties helpt begrijpen. Elk beeld dat door de camera wordt vastgelegd, neemt bijvoorbeeld 150 KB RAM in beslag, terwijl de beeldbuffer 225 KB in beslag neemt. De meeste bibliotheken passen in de Flash, inclusief de neurale netwerkbibliotheken die zijn geoptimaliseerd door STM32Cube.AI. Hierdoor past de hele applicatie in een STM32H7. Ontwikkelaars kunnen onze implementatie vervolgens aanpassen aan hun behoeften. FP-AI-FACEREC1 zorgt er echter voor dat ze vertrekken van een krachtige implementatie in plaats van een lege pagina.

Gezichtsherkenning mogelijk dankzij samenwerking

ST's Function Packs dienen als opstap naar een eindproduct. Teams kunnen demo-applicaties gebruiken tijdens de prototyping-fase voordat ze aan een productieklare implementatie werken. Om de implementatie verder te versnellen, kunnen technici vertrouwen op Nalbi, een lid van het ST-partnerprogramma. Het bedrijf biedt inderdaad deep learning-modellen voor computervisie die het heeft geoptimaliseerd voor STM32. Daarom kunnen teams FP-AI-FACEREC1 of de services van Nalbi gebruiken voor een productieklare implementatie die gebruikmaakt van STM32Cube.AI en de prestaties optimaliseert voor een zo efficiënt mogelijke stuklijst..

Ingenieurs kunnen experimenteren met het vooraf getrainde neurale netwerk van FP-AI-FACEREC1 om een ​​snelle proof-of-concept te bereiken. Als het echter om productie gaat, zullen ontwikkelaars het machine learning-model moeten trainen met hun database met gezichten. Deze stap heeft inderdaad een directe invloed op de gezichtsherkenning op basis van geslachten, gezichtskenmerken, huidtinten, beeldhoeken en meer. Daarom is het absoluut noodzakelijk om een ​​trainingsdatabase te gebruiken die de use-case weerspiegelt. Als alternatief is het mogelijk om Nalbi's productieklare software te gebruiken om een ​​definitieve applicatie te bouwen.

Voor meer informatie, bezoek blog.st.com

ELE-tijden
+ berichten
  • Keysight sluit zich aan bij Google Cloud Partner Initiative ter ondersteuning van agile orkestratie van innovatieve 5G-services bij Network Edge
  • Nieuwe potentiële hernieuwbare energiebron
  • Hoe de FT160 kwaliteitscontrole ondersteunt in post-COVID Halfgeleider Omhoog hellend
  • Machine learning ontgrendelt het volgende niveau in gedragsvoorspelling
«
»