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。 このユース･ケースでは森林火災検出に応用し、火災発生の有無を検出しますが、他の多くの状況に適用可能です。
アプローチ
- このチュートリアルでは、画像を分類するディープラーニング・モデルを素早く訓練するために、「転移学習」と呼ばれるテクニックを使用する方法を紹介する。
- このチュートリアルは、コンピュータビジョンのファンクションパックFP-AI-VISION1
センサ
データ
データセット 森林火災検出用データセット (License CC BY 4.0)
データ形式
2クラス: 火災あり、火災なし
RGB画像 250x250x3
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：
403 KBフラッシュ（ウェイト用）
225 KBRAM（アクティベーション用
精度
フロートモデル： 98%
量子化モデル： 98%
STM32H747 (Highperf) @ 400 MHz でのパフォーマンス
推論時間： 112 ms
フレームレート： 8.9 fps
リソース 
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。
