Функциональный пакет FP-AI-FACEREC1 теперь доступен по запросу, что позволяет сообществу ST запускать новые приложения, использующие распознавание лиц на STM32H7, благодаря использованию STM32Cube.AI. Пакет предлагает двоичный код для платы STM32H747I-DISCO и платы адаптера камеры ST B-CAMS-OMV. Последний обеспечивает разъем расширения для модулей камер OpenMV и Waveshare. Программное обеспечение обрабатывает регистрацию на устройстве, управление камерой, интерфейсы, джойстики на плате, захват изображений, предварительную обработку и библиотеку машинного обучения. Его база данных может хранить до 100 пользователей, а процесс выполняется со скоростью 3.6 кадра в секунду во встроенной оперативной памяти и флеш-памяти. В результате можно создать приложение, которое не требует внешней памяти. Более того, для решения требуется только RGB-камера с низким разрешением, обычное окружающее освещение и объекты на высоте до 1.5 метров (5 футов).
Новая цена входа
Во время круглого стола с The ST Blog дизайнерский дом поделился, как клиенты все больше хотят получать выгоду от ИИ. Однако входной барьер по-прежнему высок. Разработка моделей искусственного интеллекта для микропроцессоров с ограниченными ресурсами может увеличить общие затраты, а необходимость полагаться на специалистов по данным означает, что небольшие группы окажутся в невыгодном положении. Следовательно, FP-AI-FACEREC1 имеет решающее значение, поскольку показывает, что можно запустить сложный алгоритм нейронной сети на микроконтроллере.. Кроме того, программные инструменты ST помогают облегчить некоторые из врожденных сложностей и снизить порог входа. Проще говоря, плата за вход в ИИ превратилась в STM32 Discovery Kit, поскольку все программное обеспечение для разработки работает с бесплатными инструментами ST, такими как STM32CubeIDE и STM32CubeMonitor.
FP-AI-FACEREC1, новая глава на рынке машинного обучения
Машинное обучение становится необходимостью
Новый пакет ST Software открыл двери для приложений, которые могут извлечь выгоду из искусственного интеллекта, но не могут оправдать огромных инвестиций.. Когда смартфоны начали аутентифицировать пользователей путем сканирования лиц, производителям пришлось вложить много денег и рабочей силы. Потребность в максимальной точности и строгих сертификатах безопасности, которые регулируют такие варианты использования, не требует меньшего. Однако, учитывая критический успех распознавания лиц среди потребителей, компании увидели быструю окупаемость своих инвестиций. Проблемы возникают, когда другим отраслям нужен ИИ, но они не могут рассчитывать на такую же отдачу, как поставщики смартфонов.
Еще одним сложным фактором является рост числа настраиваемых пользователем приложений, которые полагаются на распознавание лиц. Действительно, все больше и больше клиентов требуют возможности настраивать параметры, предупреждения или поведение для каждого пользователя. Традиционно пользователи выбирают свою учетную запись, нажимая кнопку, выбирая аватар или вводя логин и пароль. С помощью программного обеспечения для распознавания лиц интерфейс может автоматически распознавать пользователей и запускать их службы или настройки. Несколько лет назад производители игровых консолей довели эту идею до широкой публики. С FP-AI-FACEREC1 можно предложить аналогичную функцию, не требуя дорогостоящей игровой системы.
Распознавание лиц все чаще становится центром новых приложений, ориентированных на благополучие пользователя. Например, производитель бытовых духовок может использовать машинное обучение, чтобы обнаруживать ребенка поблизости, пока прибор горячий, и запускать автоматическую блокировку, чтобы предотвратить несчастные случаи. Точно так же использование распознавания лиц в лифте может гарантировать, что дети поднимутся только на свой этаж, чтобы они не заблудились.
Машинное обучение становится более доступным
FP-AI-FACEREC1 важен, потому что он позволяет новым отраслям получать выгоду от машинного обучения благодаря своим компромиссам. Выполнение кода на STM32H7 означает, что приложения используют меньше слоев изображения и более низкое разрешение, чем системы, ориентированные на безопасную аутентификацию. Духовка или лифт не обязательно должны соответствовать тем же стандартам точности, что и компьютер, аутентифицирующий пользователя. Таким образом, FP-AI-FACEREC1 показывает, что можно использовать меньше оперативной памяти и вычислительную пропускную способность, сохраняя при этом точность, подходящую для приложений массового рынка.. Кроме того, в программном пакете ST можно установить глобальный затвор для уменьшения размытости изображения или инфракрасного излучения. датчик для улучшения работы при слабом освещении. В сочетании с датчиком времени пролета функциональный пакет может справиться с обнаружением приближения. В конечном итоге пример приложения служит основой для инженеров, стремящихся к инновациям.
То же решение будет работать и на STM32MP1, чтобы удовлетворить инженеров, которым требуется больше мощности. Некоторым командам требуется встроенный дистрибутив Linux, чтобы упростить запуск веб-сервера. Другим может потребоваться мощность ядра Cortex-A7 для графического интерфейса. Во всех случаях можно использовать ту же модель TensorFlow Lite, что и FP-AI-FACEREC1, и запускать ее в Linux. Таким образом, разработчики могут получать больше кадров в секунду при сохранении того же объема памяти. В результате наличие системы, которая может работать на высокоуровневой ОСРВ, делает распознавание лиц гораздо более доступным.
FP-AI-FACEREC1, новая история машинного обучения во встроенных системах
Распознавание лиц возможно благодаря инновациям
Машинное обучение - сложный предмет, и он может пугать. Пакет программного обеспечения ST - это решение, которое пытается демистифицировать рабочие процессы и показывает, как далеко продвинулась отрасль. Первый шаг - сделать снимок, чтобы определить, есть ли лицо, которое нужно обнаружить. После этого черты лица человека преобразуются в массив чисел с плавающей запятой (Float32Vector). Таким образом, система является полностью конфиденциальной, поскольку само изображение никогда не сохраняется в базе данных, и весь процесс является полностью локальным. Приложение никогда не отправляет данные в облако. Наконец, FP-AI-FACEREC1 отличается от остальной отрасли, потому что он использует STM32Cube.AI для оптимизации своей нейронной сети. В результате он использует меньше памяти и обеспечивает большую производительность на микроконтроллерах STM32..
Распознавание лиц возможно благодаря оптимизации
Еще одним интересным аспектом решения ST является то, что оно помогает понять использование памяти и оптимизацию. Например, каждое изображение, захваченное камерой, занимает 150 КБ ОЗУ, а буфер изображений - 225 КБ. Большинство библиотек могут поместиться во Flash, включая библиотеки нейронных сетей, оптимизированные с помощью STM32Cube.AI. В результате все приложение может поместиться в STM32H7.. Затем разработчики могут настроить нашу реализацию в соответствии со своими потребностями. Однако FP-AI-FACEREC1 гарантирует, что они начнутся с мощной реализации, а не с пустой страницы.
Распознавание лиц возможно благодаря сотрудничеству
Функциональные пакеты ST служат ступенькой к конечному продукту. Команды могут использовать демонстрационные приложения на этапе создания прототипа, прежде чем работать над готовой к эксплуатации реализацией. Чтобы еще больше ускорить развертывание, инженеры могут положиться на Nalbi, участника партнерской программы ST. Действительно, компания предлагает модели глубокого обучения для компьютерного зрения, оптимизированные для STM32. Следовательно, команды могут использовать либо FP-AI-FACEREC1, либо услуги Nalbi, чтобы иметь готовую к производству реализацию, которая использует преимущества STM32Cube.AI и оптимизирует производительность для максимально эффективной спецификации материалов..
Инженеры могут поэкспериментировать с предварительно обученной нейронной сетью FP-AI-FACEREC1, чтобы быстро проверить правильность концепции. Однако когда дело доходит до производства, разработчикам придется обучать модель машинного обучения с их базой данных лиц. Действительно, этот шаг напрямую влияет на распознавание лиц в зависимости от пола, черт лица, оттенков кожи, углов изображения и т. Д.. В результате обязательно использовать обучающую базу данных, которая отражает сценарий использования. В качестве альтернативы можно использовать готовое к производству программное обеспечение Nalbi для создания окончательного приложения.
Для получения дополнительной информации посетите blog.st.com
ЭЛЕ Таймс
-
ЭЛЕ Таймсhttps://www.eletimes.com/author/eletimes-newsKeysight присоединяется к партнерской программе Google Cloud Partner Initiative для поддержки гибкой оркестровки инновационных сервисов 5G в Network Edge
-
ЭЛЕ Таймсhttps://www.eletimes.com/author/eletimes-newsНовый потенциальный возобновляемый источник энергии
-
ЭЛЕ Таймсhttps://www.eletimes.com/author/eletimes-newsКак FT160 поддерживает контроль качества в пост-COVID Полупроводниковое Наращивать
-
ЭЛЕ Таймсhttps://www.eletimes.com/author/eletimes-newsМашинное обучение открывает новый уровень прогнозирования поведения