X-CUBE-AI是STM32生態(tài)系統(tǒng)中的AI擴(kuò)展包?？勺詣?dòng)轉(zhuǎn)換預(yù)訓(xùn)練的人工智能模型，并在用戶項(xiàng)目中生成STM32優(yōu)化庫。

最新版的X-CUBE-AI v7.1.0在以下方面進(jìn)行了三大更新：

支持入門級(jí)STM32 MCU

支持最新的AI訓(xùn)練框架

改善用戶體驗(yàn)和性能調(diào)節(jié)。

我們通過提供更多用戶友好的界面，不斷增強(qiáng)STM32 AI生態(tài)系統(tǒng)的功能，并加強(qiáng)了神經(jīng)網(wǎng)絡(luò)計(jì)算中的更多操作。最重要的是，該擴(kuò)展包由我們免費(fèi)提供。

在介紹X-CUBE-AI v7.1.0的三大更新內(nèi)容之前，我們先回顧一下X-CUBE-AI的主要用途。

什么是X-CUBE-AI擴(kuò)展包

X-CUBE-AI擴(kuò)展包，也稱STM32Cube.AI，裝配優(yōu)化模塊，確保從精度、內(nèi)存占用和電源效率方面為目標(biāo)STM32生成最佳擬合模型。

圖形優(yōu)化器通過有利于STM32目標(biāo)硬件架構(gòu)的圖形簡化和優(yōu)化自動(dòng)提高性能。使用了幾種優(yōu)化技術(shù)，如計(jì)算圖重組、算子融合、常數(shù)折疊等。

量化器X-CUBE-AI擴(kuò)展包支持FP32和Int8預(yù)訓(xùn)練模型。開發(fā)人員可以導(dǎo)入量化神經(jīng)網(wǎng)絡(luò)以兼容STM32嵌入式架構(gòu)，同時(shí)通過采用文檔中詳述的訓(xùn)練后量化過程來保持性能。在下一個(gè)版本中，還將考慮Int1、Int2和Int3。成功導(dǎo)入模型后，可在桌面和目標(biāo)STM32硬件上驗(yàn)證代碼。

內(nèi)存優(yōu)化器內(nèi)存優(yōu)化器是一種高級(jí)內(nèi)存管理工具。優(yōu)化內(nèi)存分配以獲得最佳性能，同時(shí)符合嵌入式設(shè)計(jì)的要求?？稍趦?nèi)部和外部資源之間實(shí)現(xiàn)內(nèi)存分配的智能平衡，還可以為模型創(chuàng)建專用內(nèi)存。開發(fā)人員可以輕松地更新模型。

X-CUBE-AI v7.1.0的三大更新

在最新版本的X-CUBE-AI v7.1.0中，我們進(jìn)行了三大更新。

支持入門級(jí)STM32 MCU為了讓您的邊緣設(shè)備在各個(gè)層面都支持AI，我們使X-CUBE-AI v7.1.0實(shí)現(xiàn)了對STM32 Arm Cortex-M0和Arm Cortex-M0+的全面支持。從現(xiàn)在起，用戶可以將神經(jīng)網(wǎng)絡(luò)帶至最小的STM32微控制器上。

開發(fā)人員不僅可以在以下產(chǎn)品組合中找到用于各種用途的匹配芯片，還可以擁有一款具有AI啟發(fā)性的芯片。STM32的頻譜范圍從超低功耗到高性能系列和微處理器，均包含在內(nèi)。無線MCU等不同用途也適合AI應(yīng)用。

支持最新的AI框架最新版本的X-CUBE-AI v7.1.0在Keras和TensorFlow等廣泛使用的深度學(xué)習(xí)框架中添加了多種功能，并將TFLite runtime升級(jí)至2.7.0，將ONNX升級(jí)至1.9。

Keras通過Tensorflow得到支持，支持的算子允許處理針對移動(dòng)或物聯(lián)網(wǎng)資源受限的運(yùn)行時(shí)環(huán)境的大量經(jīng)典拓?fù)洹＠?，SqueezeNet、MobileNet V1或V2、Inception、SSD MobileNet V1等。在X-CUBE-AI v7.1.0中最高可支持TF Keras 2.7.0。

Tensorflow Lite是在移動(dòng)平臺(tái)上部署神經(jīng)網(wǎng)絡(luò)模型的格式。X-CUBE-AI導(dǎo)入并轉(zhuǎn)換基于flatbuffer技術(shù)的tflite文件。處理多個(gè)算子，包括量化模型和量化感知訓(xùn)練或訓(xùn)練后量化過程生成的算子。

對于其他可以導(dǎo)出為ONNX標(biāo)準(zhǔn)格式的框架，如PyTorch、Microsoft Cognitive Toolkit、MATLAB等，X-CUBE-AI同樣支持。

每個(gè)AI框架我們只支持所有可能層和層參數(shù)子集，這取決于網(wǎng)絡(luò)C API的表達(dá)能力和特定工具箱的解析器。

我們提供STM32Cube.AI運(yùn)行時(shí)，以便在執(zhí)行AI應(yīng)用程序時(shí)獲得最佳性能。但是，開發(fā)人員可以選擇TensorFlow Lite運(yùn)行時(shí)作為一種替代方案，在多個(gè)項(xiàng)目中發(fā)揮作用。即使可能會(huì)降低性能，因?yàn)檫\(yùn)行時(shí)針對STM32的優(yōu)化程度較低。

除了深度學(xué)習(xí)框架外，X-CUBE-AI還涵蓋了來自著名開源庫scikit-learn的機(jī)器學(xué)習(xí)算法，這是一個(gè)完整的Python機(jī)器學(xué)習(xí)框架，如：隨機(jī)森林、支持向量機(jī)(SVM)、k-means聚類和k最近鄰(k-NN)。開發(fā)人員可以構(gòu)建大量有監(jiān)督或無監(jiān)督的機(jī)器學(xué)習(xí)算法，并利用簡單高效的工具進(jìn)行數(shù)據(jù)分析。

X-CUBE-AI v7.1.0不直接支持來自scikit-learn框架或XGBoost包的機(jī)器學(xué)習(xí)算法。在完成訓(xùn)練步驟后，這些算法應(yīng)轉(zhuǎn)換為ONNX格式，以便部署和導(dǎo)入。skl2onnx實(shí)用程序通常用于將模型轉(zhuǎn)換為ONNX格式?？梢允褂脦в蠴NNX導(dǎo)出器的其他ML框架，但請注意，X-CUBE-AI中ONNX-ML模型的導(dǎo)入主要使用 scikit-learn v0.23.1、skl2onnx v1.10.3和XGBoost v1.5.1進(jìn)行測試。

改善用戶體驗(yàn)和性能調(diào)節(jié)X-CUBE-AI v7.1.0引入了多堆支持，開發(fā)人員只需單擊即可輕松地將不同內(nèi)容分配到碎片化的內(nèi)存段上。

通過使用外部內(nèi)存支持，開發(fā)人員可以輕松地在不同的內(nèi)存區(qū)域分配權(quán)重。一旦模型存儲(chǔ)在多個(gè)數(shù)組中，便可將部分權(quán)重映射到內(nèi)部閃存，而其余的則映射到外部閃存。該工具使開發(fā)人員可以根據(jù)模型要求和應(yīng)用程序內(nèi)存占用使用非連續(xù)閃存區(qū)。

圖形用戶界面還提供了生成代碼中使用的緩沖區(qū)的全面視圖。一旦選擇了模型，開發(fā)人員就可以通過直觀地檢查統(tǒng)計(jì)數(shù)據(jù)來評(píng)估整體復(fù)雜性和內(nèi)存占用。模型中的每一層都清晰可見，開發(fā)人員可以輕松識(shí)別關(guān)鍵層。

該工具可幫助開發(fā)人員加快速度，使我們能夠在桌面上驗(yàn)證模型，進(jìn)行快速基準(zhǔn)測試并檢測目標(biāo)STM32設(shè)備的最終性能。

驗(yàn)證過程結(jié)束時(shí)，對比表總結(jié)了原始模型和STM32模型之間的準(zhǔn)確性和誤差。X-CUBE-AI還提供了每層的計(jì)算復(fù)雜度報(bào)告，以及運(yùn)行時(shí)測量的推斷時(shí)間。

X-CUBE-AI只是意法半導(dǎo)體為STM32用戶利用人工智能提供的廣泛生態(tài)系統(tǒng)的一部分。使用X-CUBE-AI可確保高質(zhì)量開發(fā)的長期支持和可靠性。每次推出新的主要版本時(shí)，都會(huì)有針對性地定期更新，確保兼容最新AI框架。敬請關(guān)注我們?yōu)槟鷰淼母嘤腥ぜ夹g(shù)。

我們將策劃一系列AI主題文章，詳細(xì)介紹意法半導(dǎo)體在Deep Edge AI領(lǐng)域的努力成果。

本文是該系列文章中的第十一篇，點(diǎn)擊上方的話題，訂閱我們的AI技術(shù)專題系列 。

歡迎您在文后積極留言，告訴我們想了解意法半導(dǎo)體AI的哪些方面，我們將為您呈現(xiàn)更多精彩內(nèi)容。

原文標(biāo)題：AI技術(shù)專題之十一：更簡便、更智能的X-CUBE-AI v7.1.0，讓您輕松部署AI模型

文章出處：【微信公眾號(hào)：意法半導(dǎo)體中國】歡迎添加關(guān)注!文章轉(zhuǎn)載請注明出處。

審核編輯：湯梓紅