- リアルタイムの分析：ワークアウトの品質や姿勢の修正などのフィードバックを即座に得られます。
- コスト効率：高額のコーチ料が不要になります。
- 24時間365日利用可能：いつでも継続的なサポートとフィードバックが得られます。
- パーソナライゼーション：ユーザ･プロファイルとリアルタイム･データに基づいてワークアウトのプランを調整できます。
- 自律性：クラウドへの常時接続なしで動作するため、プライバシー保護、遅延削減、信頼性向上などのメリットがもたらされます。
アプリケーションの原理
下記動画の画像は、イメージ･センサで取得されています。LCD画面に表示するための処理とともに、ニューラル･ネットワークに送信するための画像のダウンスケールが実行されています。
アプローチ
この例ではSTM32 Model zooで提供中のモデルの1つを使用しました。STのパートナーUltralyticsによるYolov8n_poseです。これは、高いフレーム･レートでキーポイントを正確に取得できる、姿勢推定アプリケーション用の最先端モデルです。
このようなモデルには、高い計算能力が必要であり、マイコンの最適の選択肢はSTM32N6です。このマイコンには、Neural-ARTアクセラレータと呼ばれるNPUが搭載されています。
このモデルをSTM32N6上に簡単に最適化して導入するために、STM32 Model zooから入手可能なスクリプトと、STM32Cube.AIコード･オプティマイザを使用しました。
これらのテクノロジーは、より広範なエッジAIソリューションの一環として開発されました。ST Edge AI Suiteの詳細は、こちらをご覧ください。
センサ
RGBイメージ･センサ
STM32 Model Zooでは、次の2種類のイメージ･センサを使用したコード例を提供しています。Sony IMX335 5Mp RGB（STM32N6570-DKに付属）と、STのVD66GY 1.5Mp RGBグローバル･シャッター（高精度の動き検出に最適）です。
データセットとモデル
データセット：内製（Coco 201 PersonをSTが変更）
モデル：Yolov8n_pose（UltralyticsがPytorchで実装、TensorFlow Liteコンバータでint8フォーマットに量子化）入力サイズ：256 x 256 x 3
結果
重みパラメータ：3.2MB
実行サイズ：1.1MB
推論処理時間：36ms
毎秒の推論回数：28
姿勢のmAP50（平均精度)：51.1%
yolov8とはマルチポーズ推定用の最先端モデルです。上記以外のデータセット、モデル、解像度を使用した異なるトレードオフを実現することも可能です。特定の性能やハードウェア･リソースの制約を満たすためにAIモデルを最適化するには、これらのパラメータ間のバランスを取ることが重要です。その他のモデルについては、STM32 Model zooをご覧ください。
このユースケースは、以下のリソースを使って簡単に再現できます。
- ステップ･バイ･ステップ･チュートリアル
- Yolov8n姿勢学習済みモデル
- アプリケーション･コード例
その他のリソース：
- STM32 Model zooのインストール方法
執筆者：Vincent RICHARD | 最新更新日：2025年1月
STM32Cube.AIによる最適化
STM32Cubeの無料の拡張パッケージX-CUBE-AIを使用すると、ニューラル･ネットワークや機械学習モデルなどの学習済みAIアルゴリズムを、STM32用の最適化されたCコードに自動変換できます。
STM32N6シリーズに最適
Arm®Cortex®‑Mプロセッサをベースとする汎用32bitマイクロコントローラのSTM32ファミリは、より柔軟かつ自由なアプリケーション開発を実現します。高性能、リアルタイムの処理能力、デジタル信号処理（DSP）、低消費電力 / 低電圧動作、コネクティビティなどのさまざまな機能を集積した製品により、開発をサポートします。
