転移学習を応用した花認識
高性能マイクロコントローラによる画像分類、STM32 Model zooからのMobileNetV2 alpha 0.35モデル
データの収集と注釈付けは、満足のいく画像分類結果を得るには面倒で時間のかかる作業になることが多くあります。 転移学習手法により、新しいクラスを追加するのに必要な画像数と学習時間を削減することで、この課題を克服できます。 ここでは花の分類に応用しますが、他の多くのユース･ケースに適用可能です。
アプローチ
STM32 Model zooは、ユーザ独自のデータに基づく学習や再学習に必要なものをすべて提供します。
このソリューションは、「転移学習」と呼ばれる手法を用いて画像分類用ディープ･ラーニング･モデルを素早く学習させます。
モデルは、STM32 model zoo Pythonスクリプトを使用して、STM32H747ディスカバリー・キットに簡単にデプロイできます。
紹介するユース･ケースは花認識に基づいています。
このソリューションは、「転移学習」と呼ばれる手法を用いて画像分類用ディープ･ラーニング･モデルを素早く学習させます。
モデルは、STM32 model zoo Pythonスクリプトを使用して、STM32H747ディスカバリー・キットに簡単にデプロイできます。
紹介するユース･ケースは花認識に基づいています。
センサ
画像：カメラ･モジュール･バンドル（リファレンス･ボード：B-CAMS-OMV）
データ
データ集合 Dataset for flower recognition (License CC BY 2.0)
データ形式
5種類の花: ヒナギク、タンポポ、バラ、ヒマワリ、チューリップ
RGBカラー画像
データ形式
5種類の花: ヒナギク、タンポポ、バラ、ヒマワリ、チューリップ
RGBカラー画像
結果
モデルMobileNetV2 alpha 0.35
入力サイズ：128 x 128 x 3
メモリフットプリント：
406.86 KBウェイト用フラッシュ
224.5 KBアクティベーション用RAM
精度
フロートモデル：86.78%
量子化モデル：86.38%
STM32H747 (Highperf) @ 400 MHz でのパフォーマンス
推論時間：110.27 ms
フレームレート：9.0 fps
混同行列
入力サイズ：128 x 128 x 3
メモリフットプリント：
406.86 KBウェイト用フラッシュ
224.5 KBアクティベーション用RAM
精度
フロートモデル：86.78%
量子化モデル：86.38%
STM32H747 (Highperf) @ 400 MHz でのパフォーマンス
推論時間：110.27 ms
フレームレート：9.0 fps
リソース
モデル･リポジトリ ST Edge AI Model Zoo
リファレンスAIモデル群は、付属の実装スクリプトを使用してSTの機器上で動作するよう最適化されています。Model zooはAIの機能を組込みアプリケーションへ追加するための価値あるリソースです。
コード最適化ツール STM32Cube.AI
無償のSTM32Cube拡張パッケージX-CUBE-AIにより、ニューラル･ネットワークや機械学習モデルといった学習済みAIアルゴリズムを、STM32に最適化されたCコードへ自動変換できます。
対応製品 STM32H7シリーズ
Arm® Cortex®-Mベース32bitマイコンのSTM32ファミリは、マイコン･ユーザに高いレベルの自由を提供します。完全統合性および開発の容易さを維持しながら、高性能、リアルタイム性能、豊富な機能、デジタル信号処理、低消費電力 / 低電圧駆動、およびコネクティビティを兼ね備えた製品を提供します。
