دانلود و معرفی اکستنشن STM32Cube.AI

STM32Cube.AI به شما این امکان را می‌دهد تا مدل‌های شبکه عصبی یادگیری را از طریق محبوب‌ترین فریم ورک های هوش مصنوعی بر روی انواع میکروکنترلر STM32 بهینه‌سازی کنید.

این ابزار از طریق یک رابط گرافیکی در محیط STM32CubeMX و همچنین در کامند لاین، قابل استفاده می باشد. همچنین، در حال حاضر این ابزار به‌صورت آنلاین در سایت STM32Cube.AI Developer Cloud در دسترس می‌باشد.

از شبکه‌های عصبی تا کدهای بهینه‌سازی‌شده STM32

شما می‌توانید MCU STM32 مناسب برای پروژه خود را شناسایی کرده و سپس کد مناسب را از طریق مدل شبکه عصبی یادگیری خود ایجاد کنید.

1. بارگذاری NN model

MCU خود را انتخاب کرده و سپس مدل یادگیری خود را از طریق چارچوب هوش مصنوعی موردنظر خود بارگذاری کنید: Tensorflow، Pytorch، ONNX، Scikit-Learn.. STM32Cube.AI ازweight formats کوانتیزه INT8 یا FLOAT32 (فرمت‌های فایل ورودی: tflite، .h5، و .onnx.) پشتیبانی می‌کنند.

2. آنالیز NN model

آنالیز مدل، اطلاعات کاملی درباره مدل مانند تعداد پارامترها، پیچیدگی MACC/لایه و جزئیات موردنیاز رم و اندازه فلش، فراهم می‌کند.

3. اعتبار سنجی

مدل خود را با مجموعه‌ای از دیتا یا مقادیر تصادفی اعتبارسنجی کنید تا متوجه شوید کد C ایجاد شده با مدل یادگیری اصلی ارائه شده مطابقت دارد یا خیر. آپشن‌های اعتبارسنجی را می‌توان بر روی رایانه رومیزی یا برد STM32 متصل به رایانه انجام داد.

4. بهینه سازی

شما می‌توانید مدل خود را با استفاده از حافظه توسط لایه و انتخاب تعادل مناسب بین منابع حافظه داخلی و خارجی بهینه‌سازی کنید.

5. ایجاد کد

در نهایت، کد C بهینه‌سازی‌شده مدل استنتاج هوش مصنوعی خود را ایجاد کنید.

نهایت استفاده را از میکروکنترلر STM32 خود ببرید!

STM32Cube.AI با بهینه‌سازی استفاده از حافظه و زمان استنباط مدل‌های هوش مصنوعی به شما اطمینان می‌دهد که آن‌ها می‌توانند به‌راحتی روی میکروکنترلرها اجرا شوند.

STM32Cube.AI کارآمدترین تولیدکننده کد شبکه عصبی رایگان برای MCU است! که می تواند بیش از 20% فضای استفاده شده در فلش و RAM را کاهش دهد. رابط آن تا 60 درصد سریعتر می باشد.

STM32 model zoo: بهترین مدل هوش مصنوعی edge را پیدا کنید!

STM32 AI model zoo مجموعه‌ای از مدل‌های یادگیری ماشینی pre-trained است که برای اجرا بر روی میکروکنترلرهای STM32 بهینه‌سازی‌شده است که این منابع در گیت‌هاب موجود هستند. به‌طورکلی، این یک منبع ارزشمند برای افرادی است که به دنبال افزودن قابلیت‌های هوش مصنوعی به پروژه‌های مبتنی بر STM32 خود می‌باشند.

لینک گیت هاب

• مجموعه بزرگی از مدل‌های کاربردی برای re-train
• اسکریپت‌هایی برای re-train کردن هر مدل از مجموعه دیتاهای کاربر
• نمونه کدهای برنامه به طور خودکار از طریق مدل هوش مصنوعی کاربر ایجاد می‌شود.

اپلیکیشن خود را با STM32Cube.AI تقویت کنید

استفاده از هوش مصنوعی، امکانات جدیدی را برای اپلیکیشن فراهم می‌کند! نمونه‌های الهام‌بخش دنیای واقعی را کشف کنید و از منابع معرفی شده و Ai برای ساخت پروژه های خود استفاده کنید.

با STM32Cube.AI شروع کنید

نحوه بهینه‌سازی شبکه عصبی هوش مصنوعی و ایجاد کتابخانه‌های پردازشی برای پروژه STM32 خود را کشف کنید.

پکیج توسعه AI برای STM32CubeMX

X-CUBE-AI یک پکیج توسعه STM32Cube است که بخشی از اکوسیستم STM32Cube.AI می‌باشد. این پکیج، قابلیت‌های STM32CubeMX را با تبدیل الگوریتم‌های هوش مصنوعی pre-trained از جمله شبکه عصبی و مدل‌های کلاسیک یادگیری ماشین، گسترش می‌دهد. همچنین، یک کتابخانه بهینه‌سازی‌شده در پروژه کاربر ادغام می‌کند.

ساده‌ترین راه برای استفاده از X-CUBE-AI این است که آن را از ابزار STM32CubeMX (ورژن 5.4.0 یا جدیدتر) دانلود کنید؛ همان‌طور که در کتابچه راهنمای کاربر “شروع به کار با پکیج توسعه X-CUBE-AI برای هوش مصنوعی (UM2526) (AI) توضیح داده شده است.

پکیج توسعه X-CUBE-AI ابزارهای مختلفی برای اعتبارسنجی الگوریتم‌های هوش مصنوعی هم در کامپیوتر رومیزی و هم در STM32 ارائه می‌دهد. با X-CUBE-AI، اندازه‌گیری عملکرد در دستگاه‌های STM32 بدون وجود کد C ایجاد شده توسط کاربر امکان‌پذیر است.

ویژگی‌ها

• ایجاد یک کتابخانه بهینه شده با STM32 از شبکه‌های عصبی pre-trained و مدل‌های یادگیری ماشین به روش کلاسیک
• پشتیبانی از فریم‌ورک‌های مختلف یادگیری عمیق مانند Keras و TensorFlow™ Lite و همچنین، پشتیبانی از همه فریم‌ورک‌هایی که می‌توانند فرمت استاندارد ONNX ایجاد کنند مانند PyTorch™، MATLAB® و …
• پشتیبانی از مدل‌های مختلف built-in scikit-learn مانند الگوریتم جنگل ایزوله (Isolation Forest)، ماشین بردار پشتیبان (SVM)، K-means و …
• پشتیبانی از قالب شبکه عصبی کوانتیزه ۸ بیتی TensorFlow™ Lite و ONNX Tensor-oriented QDQ
• پشتیبانی از شبکه‌های عصبی کوانتیزه (تا 1 بیت) از QKeras و Larq
• گزینه قابل‌جابه‌جایی که با ایجاد یک کد باینری مدل جدا از کد برنامه، آپدیت مدل مستقل را در طول چرخه عمر محصول امکان‌پذیر می‌کند.
• امکان استفاده از شبکه‌های بزرگ‌تر با امکان ذخیره سازی در حافظه فلش خارجی و بافرهای فعال‌سازی در رم خارجی
• امکان استفاده برای سری‌های مختلف میکروکنترلر STM32 از طریق سیستم یکپارچه‌سازی STM32Cube
• با یک شبکه عصبی TensorFlow™ Lite، تولید کد با استفاده از STM32Cube.AI Runtime یا TensorFlow™ Lite برای میکروکنترلرها
• کاملا رایگان