FP-AI-FACEREC1 Function Pack พร้อมให้บริการตามความต้องการแล้ว ทำให้ชุมชนของ ST สามารถเรียกใช้แอปพลิเคชันใหม่โดยใช้การจดจำใบหน้าบน STM32H7 ด้วยการใช้ STM32Cube.AI. แพ็คเกจนี้มีไบนารีสำหรับบอร์ด STM32H747I-DISCO และบอร์ดอะแดปเตอร์กล้อง B-CAMS-OMV ของ ST หลังมีตัวเชื่อมต่อส่วนขยายสำหรับโมดูลกล้อง OpenMV และ Waveshare ซอฟต์แวร์จัดการการลงทะเบียนในอุปกรณ์ การควบคุมกล้อง อินเทอร์เฟซ จอยสติ๊กบนบอร์ด การจับภาพ การประมวลผลล่วงหน้า และไลบรารีการเรียนรู้ของเครื่อง ฐานข้อมูลสามารถจัดเก็บผู้ใช้ได้มากถึง 100 ราย และกระบวนการทำงานที่ 3.6 เฟรมต่อวินาทีบน RAM และแฟลชแบบฝัง ดังนั้นจึงเป็นไปได้ที่จะสร้างแอพพลิเคชั่นที่ไม่ต้องการหน่วยความจำภายนอก นอกจากนี้ โซลูชันยังต้องการเฉพาะกล้อง RGB ความละเอียดต่ำ แสงโดยรอบปกติ และวัตถุที่ระยะไม่เกิน 1.5 เมตร (5 ฟุต)
ค่าเข้าชมใหม่
ระหว่างการประชุมโต๊ะกลมกับ The ST Blog บ้านออกแบบได้แชร์ว่าลูกค้าต้องการได้รับประโยชน์จาก AI มากขึ้นอย่างไร อย่างไรก็ตาม อุปสรรคในการเข้ายังสูงอยู่ การพัฒนาแบบจำลอง AI สำหรับไมโครโปรเซสเซอร์ที่มีข้อจำกัดด้านทรัพยากรอาจเพิ่มต้นทุนโดยรวม และการพึ่งพานักวิทยาศาสตร์ข้อมูลที่จำเป็นหมายความว่าทีมที่มีขนาดเล็กกว่าจะเสียเปรียบ ดังนั้น FP-AI-FACEREC1 จึงมีความสำคัญ เพราะมันแสดงให้เห็นว่าเป็นไปได้ที่จะเรียกใช้อัลกอริธึมเครือข่ายประสาทที่ซับซ้อนบนไมโครคอนโทรลเลอร์. นอกจากนี้ เครื่องมือซอฟต์แวร์ของ ST ยังช่วยบรรเทาความซับซ้อนบางอย่างเพื่อลดอุปสรรคในการเข้า พูดง่ายๆ ก็คือ ราคาของการเข้าใช้ AI เพิ่งจะกลายเป็น STM32 Discovery Kit เนื่องจากซอฟต์แวร์การพัฒนาทั้งหมดทำงานร่วมกับเครื่องมือ ST ฟรี เช่น STM32CubeIDE และ STM32CubeMonitor
FP-AI-FACEREC1 บทใหม่ในการเจาะตลาดของการเรียนรู้ของเครื่อง
แมชชีนเลิร์นนิงกลายเป็นสิ่งจำเป็น
แพ็คเกจซอฟต์แวร์ ST ใหม่เปิดประตูสู่แอปพลิเคชันที่ได้รับประโยชน์จากปัญญาประดิษฐ์แต่ไม่สามารถพิสูจน์การลงทุนจำนวนมากได้. เมื่อสมาร์ทโฟนเริ่มตรวจสอบผู้ใช้ด้วยการสแกนใบหน้า ผู้ผลิตต้องอัดฉีดเงินสดและกำลังคนจำนวนมาก ความต้องการความแม่นยำสูงสุดและการรับรองความปลอดภัยที่เข้มงวดซึ่งควบคุมกรณีการใช้งานดังกล่าวไม่ได้ต้องการอะไรแม้แต่น้อย อย่างไรก็ตาม จากความสำเร็จที่สำคัญของการจดจำใบหน้าในหมู่ผู้บริโภค บริษัทต่างๆ ได้รับผลตอบแทนจากการลงทุนอย่างรวดเร็ว ปัญหาเกิดขึ้นเมื่ออุตสาหกรรมอื่นต้องการ AI แต่ไม่สามารถคาดหวังผลตอบแทนแบบเดียวกันกับผู้จำหน่ายสมาร์ทโฟนได้
ปัจจัยประกอบอีกประการหนึ่งคือการเพิ่มขึ้นของแอพพลิเคชั่นที่ผู้ใช้กำหนดเองซึ่งอาศัยการจดจำใบหน้า อันที่จริง ลูกค้าจำนวนมากขึ้นเรื่อยๆ ต้องการความสามารถในการปรับแต่งการตั้งค่า การแจ้งเตือน หรือพฤติกรรมสำหรับผู้ใช้แต่ละคน ตามเนื้อผ้า ผู้ใช้เลือกบัญชีของตนเองโดยคลิกที่ปุ่ม เลือกรูปแทนตัว หรือป้อนข้อมูลเข้าสู่ระบบและรหัสผ่าน ด้วยซอฟต์แวร์จดจำใบหน้า อินเทอร์เฟซสามารถจดจำผู้ใช้และเปิดใช้บริการหรือการตั้งค่าได้โดยอัตโนมัติ ไม่กี่ปีที่ผ่านมา ผู้ผลิตคอนโซลวิดีโอเกมได้นำเสนอแนวคิดนี้ต่อสาธารณชนทั่วไป ด้วย FP-AI-FACEREC1 คุณสามารถนำเสนอคุณสมบัติที่คล้ายคลึงกันโดยไม่ต้องใช้ระบบการเล่นเกมที่มีราคาแพง
การจดจำใบหน้าเป็นศูนย์กลางของแอปพลิเคชั่นใหม่ที่เน้นความเป็นอยู่ที่ดีของผู้ใช้มากขึ้น ตัวอย่างเช่น ผู้ผลิตเตาอบสำหรับผู้บริโภคสามารถใช้แมชชีนเลิร์นนิงเพื่อตรวจจับเด็กที่อยู่ใกล้เคียงขณะที่เครื่องร้อน และเปิดใช้งานการล็อกอัตโนมัติเพื่อป้องกันอุบัติเหตุ ในทำนองเดียวกัน การใช้การจดจำใบหน้าในลิฟต์ช่วยให้มั่นใจได้ว่าเด็กๆ จะขึ้นไปที่ชั้นเพื่อป้องกันไม่ให้หลงทางเท่านั้น
การเรียนรู้ของเครื่องกำลังเข้าถึงได้มากขึ้น
FP-AI-FACEREC1 มีความสำคัญเนื่องจากช่วยให้อุตสาหกรรมใหม่ๆ ได้รับประโยชน์จากการเรียนรู้ของเครื่อง ต้องขอบคุณการประนีประนอม การรันโค้ดบน STM32H7 หมายความว่าแอปพลิเคชันใช้เลเยอร์ภาพน้อยลงและความละเอียดต่ำกว่าระบบที่เน้นการรับรองความถูกต้องอย่างปลอดภัย เตาอบหรือลิฟต์ไม่จำเป็นต้องเป็นไปตามมาตรฐานความแม่นยำแบบเดียวกับคอมพิวเตอร์ที่ตรวจสอบสิทธิ์ผู้ใช้ FP-AI-FACEREC1 แสดงให้เห็นว่าสามารถใช้ RAM น้อยลงและปริมาณการประมวลผลที่คำนวณได้ ในขณะที่ยังคงรักษาความแม่นยำที่เหมาะกับการใช้งานในตลาดมวลชน. นอกจากนี้ ชุดซอฟต์แวร์ ST ยังสามารถรองรับชัตเตอร์ทั่วโลกเพื่อลดการเบลอจากการเคลื่อนไหวหรืออินฟราเรด เซ็นเซอร์ เพื่อปรับปรุงประสิทธิภาพแสงน้อย เมื่อรวมกับเซ็นเซอร์ Time-of-Flight Function Pack สามารถจัดการกับการตรวจจับระยะใกล้ได้ ในท้ายที่สุด ตัวอย่างการใช้งานทำหน้าที่เป็นรากฐานสำหรับวิศวกรที่ต้องการสร้างนวัตกรรม
โซลูชันเดียวกันนี้จะทำงานกับ STM32MP1 เพื่อตอบสนองวิศวกรที่ต้องการพลังงานมากขึ้น บางทีมต้องการการกระจาย Linux แบบฝังเพื่อให้เรียกใช้เว็บเซิร์ฟเวอร์ได้ง่ายขึ้น คนอื่นอาจต้องการพลังของคอร์ Cortex-A7 สำหรับ GUI ในทุกกรณี คุณสามารถใช้ TensorFlow Lite รุ่นเดียวกันกับ FP-AI-FACEREC1 และรันบน Linux ได้ ดังนั้น นักพัฒนาจึงสามารถเพลิดเพลินกับเฟรมต่อวินาทีได้มากขึ้นในขณะที่ได้ประโยชน์จากหน่วยความจำที่เท่ากัน เป็นผลให้การมีระบบที่สามารถทำงานบน RTOS ระดับสูงทำให้การจดจำใบหน้าสามารถเข้าถึงได้มากขึ้น
FP-AI-FACEREC1 เรื่องราวใหม่เกี่ยวกับการเรียนรู้ของเครื่องบนระบบสมองกลฝังตัว
จดจำใบหน้าได้ด้วยนวัตกรรม
แมชชีนเลิร์นนิงเป็นเรื่องที่ซับซ้อนและอาจเป็นเรื่องที่น่าวิตกได้ แพ็คเกจซอฟต์แวร์ของ ST เป็นโซลูชันที่พยายามทำให้กระจ่างถึงกระบวนการในที่ทำงาน และแสดงให้เห็นว่าอุตสาหกรรมไปไกลแค่ไหนแล้ว ขั้นตอนแรกคือการถ่ายภาพเพื่อดูว่ามีใบหน้าที่ต้องตรวจจับหรือไม่ หลังจากนั้น ใบหน้าของบุคคลจะถูกแปลงเป็นอาร์เรย์ของตัวเลขทศนิยม (Float32Vector) ดังนั้น ระบบจึงเป็นความลับทั้งหมด เนื่องจากรูปภาพจะไม่ถูกจัดเก็บในฐานข้อมูล และกระบวนการทั้งหมดอยู่ในระบบทั้งหมด แอปพลิเคชันจะไม่ส่งข้อมูลไปยังระบบคลาวด์ สุดท้าย FP-AI-FACEREC1 สร้างความแตกต่างจากอุตสาหกรรมอื่นๆ เนื่องจากใช้ STM32Cube.AI เพื่อเพิ่มประสิทธิภาพโครงข่ายประสาทเทียม ด้วยเหตุนี้ มันจึงใช้หน่วยความจำน้อยลงและให้ประสิทธิภาพที่เหนือกว่าบน STM32 MCUs.
จดจำใบหน้าได้ด้วยการเพิ่มประสิทธิภาพ
อีกแง่มุมที่น่าตื่นเต้นของโซลูชัน ST คือช่วยให้เข้าใจการใช้หน่วยความจำและการเพิ่มประสิทธิภาพ ตัวอย่างเช่น แต่ละภาพที่ถ่ายโดยกล้องใช้ RAM 150 KB ในขณะที่บัฟเฟอร์ภาพใช้ 225 KB ไลบรารีส่วนใหญ่สามารถใส่ลงใน Flash ได้ ซึ่งรวมถึงไลบรารีเครือข่ายประสาทที่ปรับให้เหมาะสมโดย STM32Cube.AI เป็นผลให้แอปพลิเคชันทั้งหมดสามารถใส่ใน STM32H7. นักพัฒนาสามารถปรับแต่งการใช้งานของเราให้เหมาะสมกับความต้องการของพวกเขา อย่างไรก็ตาม FP-AI-FACEREC1 ช่วยให้มั่นใจว่าจะเริ่มต้นจากการใช้งานที่มีประสิทธิภาพมากกว่าหน้าเปล่า
การจดจำใบหน้าเป็นไปได้ด้วยการทำงานร่วมกัน
Function Pack ของ ST ทำหน้าที่เป็นบันไดสู่ผลิตภัณฑ์ขั้นสุดท้าย ทีมสามารถใช้ประโยชน์จากแอปพลิเคชันสาธิตในระหว่างขั้นตอนการสร้างต้นแบบก่อนที่จะดำเนินการใช้งานจริงที่พร้อมสำหรับการผลิต เพื่อเพิ่มความเร็วในการปรับใช้ วิศวกรสามารถพึ่งพา Nalbi ซึ่งเป็นสมาชิกของ ST Partner Program อันที่จริง บริษัทเสนอโมเดลการเรียนรู้เชิงลึกสำหรับการมองเห็นด้วยคอมพิวเตอร์ซึ่งปรับให้เหมาะสมสำหรับ STM32 ดังนั้น ทีมงานสามารถใช้ FP-AI-FACEREC1 หรือบริการของ Nalbi เพื่อให้พร้อมสำหรับการผลิตที่ใช้ประโยชน์จาก STM32Cube.AI และเพิ่มประสิทธิภาพสำหรับรายการวัสดุที่มีประสิทธิภาพสูงสุด.
วิศวกรสามารถทดลองกับโครงข่ายประสาทเทียมที่ได้รับการฝึกอบรมล่วงหน้าของ FP-AI-FACEREC1 เพื่อให้ได้แนวคิดที่พิสูจน์แนวคิดได้อย่างรวดเร็ว อย่างไรก็ตาม เมื่อพูดถึงการผลิต นักพัฒนาจะต้องฝึกโมเดลการเรียนรู้ของเครื่องด้วยฐานข้อมูลใบหน้า อันที่จริง ขั้นตอนนี้ส่งผลโดยตรงต่อการจดจำใบหน้ากับเพศ ลักษณะใบหน้า โทนสีผิว มุมของภาพ และอื่นๆ. ดังนั้นจึงจำเป็นที่จะต้องใช้ฐานข้อมูลการฝึกอบรมที่สะท้อนถึงกรณีการใช้งาน อีกทางหนึ่ง เป็นไปได้ที่จะใช้ประโยชน์จากซอฟต์แวร์ที่พร้อมสำหรับการผลิตของ Nalbi เพื่อสร้างแอปพลิเคชันขั้นสุดท้าย
สำหรับข้อมูลเพิ่มเติมโปรดเยี่ยมชม บล็อก.st.com
ELE ไทม์ส
-
ELE ไทม์สhttps://www.eletimes.com/author/eletimes-newsKeysight เข้าร่วมโครงการ Google Cloud Partner Initiative เพื่อสนับสนุนการประสาน Agile ของบริการ 5G ที่เป็นนวัตกรรมใหม่ที่ Network Edge
-
ELE ไทม์สhttps://www.eletimes.com/author/eletimes-newsแหล่งพลังงานหมุนเวียนที่มีศักยภาพใหม่
-
ELE ไทม์สhttps://www.eletimes.com/author/eletimes-newsFT160 สนับสนุนการควบคุมคุณภาพในช่วงหลังโควิดอย่างไร สารกึ่งตัวนำ ทางลาดขึ้น
-
ELE ไทม์สhttps://www.eletimes.com/author/eletimes-newsการเรียนรู้ของเครื่องปลดล็อกระดับถัดไปในการทำนายพฤติกรรม