FP-AI-FACEREC1 İşlev Paketi artık isteğe bağlı olarak mevcuttur ve böylece ST topluluğunun, STM32Cube.AI kullanımı sayesinde bir STM7H32'de yüz tanımadan yararlanan yeni uygulamalar çalıştırmasına olanak tanır.. Paket, STM32H747I-DISCO kartı ve ST'nin B-CAMS-OMV kamera adaptör kartı için bir ikili dosya sunar. İkincisi, OpenMV ve Waveshare kamera modülleri için bir uzatma konektörü sağlar. Yazılım, cihaz içi kayıt, kamera kontrolü, arayüzler, kart üzerindeki joystick'ler, görüntü yakalama, ön işleme ve makine öğrenimi kütüphanesini yönetir. Veritabanı 100'e kadar kullanıcıyı saklayabilir ve işlem, gömülü RAM ve flash üzerinde saniyede 3.6 kare hızında çalışır. Sonuç olarak harici hafızaya ihtiyaç duymayan bir uygulama tasarlamak mümkün oluyor. Üstelik çözüm yalnızca düşük çözünürlüklü bir RGB kameraya, düzenli ortam aydınlatmasına ve 1.5 metreye (5 fit) kadar uzaklıktaki nesnelere ihtiyaç duyuyor.
Yeni Giriş Fiyatı
The ST Blog ile yapılan yuvarlak masa toplantısında bir tasarım evi, müşterilerin yapay zekadan nasıl giderek daha fazla yararlanmak istediklerini paylaştı. Ancak giriş engeli hâlâ yüksek. Kaynakları kısıtlı mikroişlemciler için yapay zeka modelleri geliştirmek, genel maliyetleri artırabilir ve veri bilimcilerine gereken güven, daha küçük ekiplerin dezavantajlı durumda olduğu anlamına gelir. Bu nedenle FP-AI-FACEREC1 kritiktir çünkü karmaşık bir sinir ağı algoritmasını bir mikro denetleyici üzerinde çalıştırmanın mümkün olduğunu gösterir.. Ek olarak ST yazılım araçları, giriş engelini azaltmak için bazı doğal karmaşıklıkların hafifletilmesine yardımcı olur. Basitçe söylemek gerekirse, tüm geliştirme yazılımları STM32CubeIDE ve STM32CubeMonitor gibi ücretsiz ST araçlarıyla çalıştığından, yapay zekaya giriş ücreti STM32 Keşif Kiti haline geldi.
FP-AI-FACEREC1, Makine Öğreniminin Pazar Penetrasyonunda Yeni Bir Bölüm
Makine Öğrenimi Bir Gereklilik Haline Geliyor
Yeni ST Yazılım paketi, yapay zekadan yararlanabilecek ancak büyük yatırımları haklı çıkaramayacak uygulamalara kapı açtı. Akıllı telefonlar, yüzleri tarayarak kullanıcıların kimliğini doğrulamaya başladığında, üreticiler çok fazla para ve insan gücü harcamak zorunda kaldı. Aşırı doğruluk ihtiyacı ve bu tür kullanım durumlarını belirleyen sıkı güvenlik sertifikaları daha azını gerektirmez. Ancak yüz tanımanın tüketiciler arasındaki kritik başarısı göz önüne alındığında, şirketler yatırımlarının hızlı bir şekilde geri döndüğünü gördü. Diğer endüstriler yapay zekaya ihtiyaç duyduğunda ancak akıllı telefon satıcılarıyla aynı getiriyi bekleyemediğinde sorunlar ortaya çıkıyor.
Bir diğer bileşik faktör ise yüz tanımaya dayalı, kullanıcıya özel uygulamaların yükselişidir. Aslında giderek daha fazla müşteri, her kullanıcı için ayarları, uyarıları veya davranışları özelleştirme olanağını talep ediyor. Geleneksel olarak kullanıcılar bir düğmeye tıklayarak, bir avatar seçerek veya kullanıcı adı ve şifre girerek hesaplarını seçerler. Yüz tanıma yazılımı sayesinde arayüz, kullanıcıları otomatik olarak tanıyabilir ve hizmetlerini veya ayarlarını başlatabilir. Birkaç yıl önce video oyun konsolu üreticileri bu fikri kamuoyuna sundu. FP-AI-FACEREC1 ile pahalı bir oyun sistemine ihtiyaç duymadan benzer bir özelliği sunmak mümkün.
Yüz tanıma, kullanıcının refahına odaklanan yeni uygulamaların merkezinde giderek daha fazla yer alıyor. Örneğin, tüketiciye yönelik fırın üreten bir üretici, cihaz sıcakken yakındaki bir çocuğu tespit etmek için makine öğrenimini kullanabilir ve kazaları önlemek için otomatik kilidi tetikleyebilir. Benzer şekilde, asansörde yüz tanıma özelliğinin kullanılması, çocukların kaybolmalarını önlemek için yalnızca kendi katlarına gitmelerini sağlayabilir.
Makine Öğrenimi Daha Erişilebilir Hale Geliyor
FP-AI-FACEREC1 önemlidir çünkü sunduğu ödünleşimler sayesinde yeni endüstrilerin makine öğreniminden faydalanmasını sağlar. Kodun bir STM32H7 üzerinde çalıştırılması, uygulamaların güvenli kimlik doğrulamasına odaklanan sistemlere göre daha az görüntü katmanı ve daha düşük çözünürlük kullanması anlamına gelir. Bir fırının veya asansörün, bir bilgisayarın kullanıcının kimliğini doğrulamasıyla aynı doğruluk standartlarını karşılaması gerekmez. Böylece FP-AI-FACEREC1, kitlesel pazar uygulamalarına uygun bir doğruluğu korurken daha az RAM ve hesaplama verimi kullanmanın mümkün olduğunu gösteriyor. Üstelik ST yazılım paketi, hareket bulanıklığını veya kızılötesini azaltmak için küresel bir deklanşör barındırabilir. algılayıcı Düşük ışık performansını artırmak için. Uçuş Süresi sensörüyle birleştirilen İşlev Paketi, yakınlık algılama sorununu çözebilir. Sonuçta uygulama örneği, yenilik yapmak isteyen mühendisler için bir temel görevi görür.
Aynı çözüm, daha fazla güce ihtiyaç duyan mühendisleri memnun etmek için STM32MP1 üzerinde de çalışacak. Bazı ekipler, bir web sunucusunu daha kolay çalıştırmak için yerleşik bir Linux dağıtımına ihtiyaç duyar. Diğerleri GUI için Cortex-A7 çekirdeğinin gücüne ihtiyaç duyabilir. Her durumda, FP-AI-FACEREC1 ile aynı TensorFlow Lite modelini kullanmak ve onu Linux'ta çalıştırmak mümkündür. Geliştiriciler bu nedenle aynı bellek alanından yararlanırken saniyede daha fazla karenin keyfini çıkarabilir. Sonuç olarak üst düzey bir RTOS üzerinde çalışabilen bir sisteme sahip olmak, yüz tanımayı çok daha erişilebilir hale getiriyor.
FP-AI-FACEREC1, Gömülü Sistemde Makine Öğrenimi Hakkında Yeni Bir Hikaye
İnovasyon Sayesinde Yüz Tanıma Mümkün
Makine Öğrenimi karmaşık bir konudur ve korkutucu olabilir. ST'nin yazılım paketi, iş yerindeki süreçlerin gizemini açığa çıkarmaya çalışan ve sektörün ne kadar ileri gittiğini gösteren bir çözümdür. İlk adım, algılanacak bir yüz olup olmadığını belirlemek için fotoğraf çekmektir. Daha sonra, bir kişinin yüz özellikleri bir dizi kayan noktalı sayıya (Float32Vector) dönüştürülür. Bu nedenle sistem tamamen gizlidir çünkü resmin kendisi hiçbir zaman veritabanında saklanmaz ve tüm süreç tamamen yereldir. Uygulama hiçbir zaman buluta veri göndermez. Son olarak FP-AI-FACEREC1, sinir ağını optimize etmek için STM32Cube.AI kullanması nedeniyle kendisini sektörün geri kalanından ayırıyor. Sonuç olarak daha az bellek kullanır ve STM32 MCU'larda daha yüksek performans sunar.
Optimizasyon Sayesinde Yüz Tanıma Mümkün
ST çözümünün bir başka heyecan verici yönü de bellek kullanımını ve optimizasyonları anlamaya yardımcı olmasıdır. Örneğin, kameranın yakaladığı her görüntü 150 KB RAM alırken, görüntü arabelleği 225 KB alır. STM32Cube.AI tarafından optimize edilen sinir ağı kitaplıkları da dahil olmak üzere kitaplıkların çoğu Flash'a sığabilir. Sonuç olarak, uygulamanın tamamı bir STM32H7'nin içine sığabilir. Geliştiriciler daha sonra uygulamamızı ihtiyaçlarına uyacak şekilde değiştirebilirler. Ancak FP-AI-FACEREC1, boş bir sayfa yerine güçlü bir uygulamayla başlamalarını sağlar.
İşbirliği Sayesinde Yüz Tanıma Mümkün
ST'nin Fonksiyon Paketleri nihai ürüne doğru bir basamak görevi görür. Ekipler, üretime hazır bir uygulama üzerinde çalışmaya başlamadan önce prototip oluşturma aşamasında demo uygulamalardan yararlanabilir. Dağıtımları daha da hızlandırmak için mühendisler, ST Ortak Programının bir üyesi olan Nalbi'ye güvenebilirler. Aslında şirket, STM32 için optimize ettiği bilgisayarlı görme için derin öğrenme modelleri sunuyor. Bu nedenle ekipler, STM1Cube.AI'den yararlanan ve mümkün olan en verimli malzeme listesi için performansı optimize eden, üretime hazır bir uygulamaya sahip olmak için FP-AI-FACEREC32 veya Nalbi hizmetlerini kullanabilir..
Mühendisler, hızlı bir kavram kanıtı elde etmek için FP-AI-FACEREC1'in önceden eğitilmiş sinir ağını deneyebilir. Ancak konu üretime geldiğinde geliştiricilerin makine öğrenimi modelini yüz veritabanlarıyla eğitmeleri gerekecek. Gerçekten de bu adım, cinsiyetlere, yüz özelliklerine, cilt tonlarına, görüntü açılarına ve daha fazlasına göre yüz tanımayı doğrudan etkiler. Sonuç olarak, kullanım senaryosunu yansıtan bir eğitim veritabanının kullanılması zorunludur. Alternatif olarak, nihai bir uygulama oluşturmak için Nalbi'nin üretime hazır yazılımından yararlanmak da mümkündür.
Daha fazla bilgi için adresini ziyaret edin blog.st.com
ELE Zamanları
-
ELE Zamanlarıhttps://www.eletimes.com/author/eletimes-newsKeysight, Ağ Kenarında Yenilikçi 5G Hizmetlerinin Çevik Düzenlemesini Desteklemek için Google Cloud İş Ortağı Girişimi'ne Katılıyor
-
ELE Zamanlarıhttps://www.eletimes.com/author/eletimes-newsYeni Potansiyel Yenilenebilir Enerji Kaynağı
-
ELE Zamanlarıhttps://www.eletimes.com/author/eletimes-newsFT160, COVID Sonrası Kalite Kontrolü Nasıl Destekliyor? Yarıiletken Artırmak
-
ELE Zamanlarıhttps://www.eletimes.com/author/eletimes-newsMakine öğrenimi Davranış Tahmininde Sonraki Seviyenin Kilidini Açıyor