O FP-AI-FACEREC1 Function Pack está agora disponível sob demanda, permitindo assim que a comunidade de ST execute novos aplicativos aproveitando o reconhecimento facial em um STM32H7, graças ao uso de STM32Cube.AI. O pacote oferece um binário para a placa STM32H747I-DISCO e placa adaptadora de câmera B-CAMS-OMV da ST. O último fornece um conector de extensão para módulos de câmera OpenMV e Waveshare. O software lida com inscrição no dispositivo, controle de câmera, interfaces, joysticks no quadro, captura de imagem, pré-processamento e biblioteca de aprendizado de máquina. Seu banco de dados pode armazenar até 100 usuários, e o processo é executado a 3.6 quadros por segundo na RAM e flash embutidos. Como resultado, é possível conceber uma aplicação que não necessite de memória externa. Além disso, a solução só precisa de uma câmera RGB de baixa resolução, iluminação ambiente regular e objetos de até 1.5 metros (5 pés).
O Novo Preço de Admissão
Durante uma mesa redonda com o ST Blog, uma empresa de design compartilhou como os clientes querem cada vez mais se beneficiar da IA. No entanto, a barreira de entrada ainda é alta. O desenvolvimento de modelos de IA para microprocessadores com recursos limitados pode aumentar os custos gerais, e a dependência necessária dos cientistas de dados significa que equipes menores estão em desvantagem. FP-AI-FACEREC1 é, portanto, crítico porque mostra que é possível executar um algoritmo de rede neural complexo em um microcontrolador. Além disso, as ferramentas de software ST ajudam a aliviar algumas das complexidades inerentes para reduzir a barreira à entrada. Simplificando, o preço de admissão à AI acabou de se tornar um Kit de Descoberta STM32, já que todo software de desenvolvimento funciona com ferramentas ST gratuitas, como STM32CubeIDE e STM32CubeMonitor
FP-AI-FACEREC1, um novo capítulo na penetração do aprendizado de máquina no mercado
O aprendizado de máquina está se tornando uma necessidade
O novo pacote de software ST abriu a porta para aplicativos que podem se beneficiar da inteligência artificial, mas não podem justificar investimentos maciços. Quando os smartphones começaram a autenticar usuários escaneando rostos, os fabricantes tiveram que injetar muito dinheiro e mão de obra. A necessidade de extrema precisão e as rigorosas certificações de segurança que regem esses casos de uso exigem nada menos. No entanto, dado o sucesso crítico do reconhecimento facial entre os consumidores, as empresas observaram um rápido retorno de seu investimento. Os problemas surgem quando outras indústrias precisam de IA, mas não podem esperar os mesmos retornos dos fornecedores de smartphones.
Outro fator agravante é o surgimento de aplicativos personalizados pelo usuário que dependem do reconhecimento facial. Na verdade, cada vez mais clientes exigem a capacidade de personalizar configurações, alertas ou comportamentos para cada usuário. Tradicionalmente, os usuários escolhem sua conta clicando em um botão, selecionando um avatar ou inserindo um login e uma senha. Com o software de reconhecimento facial, a interface pode reconhecer usuários automaticamente e iniciar seus serviços ou configurações. Há alguns anos, os fabricantes de consoles de videogame levaram essa ideia ao público em geral. Com FP-AI-FACEREC1, é possível oferecer um recurso semelhante sem exigir um sistema de jogo caro.
O reconhecimento facial está cada vez mais no centro de novos aplicativos que se concentram no bem-estar do usuário. Por exemplo, um fabricante de fornos de consumo pode usar o aprendizado de máquina para detectar uma criança por perto enquanto o aparelho está quente e acionar um bloqueio automático para evitar acidentes. Da mesma forma, usar o reconhecimento facial em um elevador pode garantir que as crianças só vão para o seu andar, para evitar que se percam.
O aprendizado de máquina está se tornando mais acessível
FP-AI-FACEREC1 é essencial porque permite que novos setores se beneficiem do aprendizado de máquina, graças às suas compensações. Executar o código em um STM32H7 significa que os aplicativos usam menos camadas de imagem e uma resolução mais baixa do que os sistemas que se concentram na autenticação segura. Um forno ou elevador não precisa atender aos mesmos padrões de precisão de um computador para autenticar um usuário. FP-AI-FACEREC1, portanto, mostra que é possível usar menos RAM e rendimento computacional, mantendo uma precisão que se adapta às aplicações do mercado de massa. Além disso, o pacote de software ST pode acomodar um obturador global para reduzir o desfoque de movimento ou infravermelho sensor para melhorar o desempenho com pouca luz. Combinado com um sensor Time-of-Flight, o Function Pack pode lidar com a detecção de proximidade. Em última análise, o exemplo de aplicação serve como base para engenheiros que buscam inovar.
A mesma solução também funcionará em um STM32MP1 para satisfazer os engenheiros que precisam de mais potência. Algumas equipes exigem uma distribuição de Linux embarcada para executar um servidor da web com mais facilidade. Outros podem precisar do poder de um núcleo Cortex-A7 para uma GUI. Em todos os casos, é possível usar o mesmo modelo TensorFlow Lite do FP-AI-FACEREC1 e executá-lo no Linux. Os desenvolvedores podem, portanto, desfrutar de mais quadros por segundo enquanto se beneficiam da mesma pegada de memória. Como resultado, ter um sistema que pode ser executado em um RTOS de alto nível torna o reconhecimento facial muito mais acessível.
FP-AI-FACEREC1, uma nova história sobre aprendizado de máquina em sistema integrado
Reconhecimento facial possível graças à inovação
O aprendizado de máquina é um assunto complexo e pode ser intimidante. O pacote de software da ST é uma solução que tenta desmistificar os processos de trabalho e mostra o quão longe a indústria está. O primeiro passo é tirar uma foto para determinar se há um rosto a ser detectado. Posteriormente, as características faciais de uma pessoa são convertidas em uma matriz de números de ponto flutuante (Float32Vector). O sistema é, portanto, totalmente confidencial, uma vez que a imagem em si nunca é armazenada no banco de dados e todo o processo é totalmente local. O aplicativo nunca envia dados para a nuvem. Finalmente, FP-AI-FACEREC1 se distingue do resto da indústria porque usa STM32Cube.AI para otimizar sua rede neural. Como resultado, ele usa menos memória e oferece maior desempenho em MCUs STM32.
Reconhecimento facial possível graças à otimização
Outro aspecto interessante da solução ST é que ela ajuda a entender o uso de memória e otimizações. Por exemplo, cada imagem capturada pela câmera ocupa 150 KB de RAM, enquanto o buffer de imagem ocupa 225 KB. A maioria das bibliotecas cabe no Flash, incluindo as bibliotecas de rede neural otimizadas por STM32Cube.AI. Como resultado, todo o aplicativo pode caber dentro de um STM32H7. Os desenvolvedores podem ajustar nossa implementação para atender às suas necessidades. No entanto, FP-AI-FACEREC1 garante que eles comecem a partir de uma implementação poderosa em vez de uma página em branco.
Reconhecimento facial possível graças à colaboração
Os pacotes de funções da ST servem como um trampolim para o produto final. As equipes podem aproveitar os aplicativos de demonstração durante a fase de prototipagem antes de trabalhar em uma implementação pronta para produção. Para acelerar ainda mais as implantações, os engenheiros podem contar com Nalbi, um membro do ST Partner Program. Na verdade, a empresa oferece modelos de aprendizagem profunda para visão computacional que foi otimizada para STM32. Portanto, as equipes podem usar FP-AI-FACEREC1 ou os serviços da Nalbi para ter uma implementação pronta para produção que aproveita o STM32Cube.AI e otimiza o desempenho para a lista de materiais mais eficiente possível.
Os engenheiros podem experimentar a rede neural pré-treinada do FP-AI-FACEREC1 para obter uma rápida prova de conceito. No entanto, quando se trata de produção, os desenvolvedores terão que treinar o modelo de aprendizado de máquina com seu banco de dados de faces. Na verdade, esta etapa impacta diretamente o reconhecimento facial contra gêneros, traços faciais, tons de pele, ângulos de imagem e muito mais. Como resultado, é imperativo usar um banco de dados de treinamento que reflita o caso de uso. Como alternativa, é possível aproveitar o software pronto para produção da Nalbi para construir um aplicativo final.
Para mais informações, visite blog.st.com
Horários ELE
-
Horários ELEhttps://www.eletimes.com/author/eletimes-newsA Keysight entra para a Google Cloud Partner Initiative para dar suporte à orquestração ágil de serviços 5G inovadores na Network Edge
-
Horários ELEhttps://www.eletimes.com/author/eletimes-newsNova Fonte Potencial de Energia Renovável
-
Horários ELEhttps://www.eletimes.com/author/eletimes-newsComo o FT160 oferece suporte ao controle de qualidade pós-COVID Semicondutores Construir
-
Horários ELEhttps://www.eletimes.com/author/eletimes-newsO aprendizado de máquina desbloqueia o próximo nível na previsão de comportamento