1 引言

????????STM32 微控制器在嵌入式領域應用廣泛，因為它性能不錯、功耗低，還有豐富的外設，像工業(yè)控制、智能家居、物聯(lián)網這些場景都能看到它的身影。與此同時，人工智能技術發(fā)展迅速，也逐漸融入各個行業(yè)。

????????把 AI 部署到 STM32 上，能讓嵌入式系統(tǒng)更智能，不過這并不容易。AI 模型運行需要大量計算資源和內存，而 STM32 硬件資源有限。所以，找到合適工具很重要。

????????今天介紹兩款能在 STM32 上部署 AI 的實用軟件，Nanoedge AI Studio 和 STM32Cube AI。它們能幫開發(fā)者解決難題，順利在 STM32 上部署 AI 算法，下面就詳細講講這兩款軟件。

2?Nanoedge AI Studio

2.1 軟件獲取

Nanoedge AI Studio是用于STM32部署邊緣AI的軟件，Studio可生成四種類型的庫：異常檢測、單分類、多分類、預測。它支持所有類型的傳感器，所生成的庫不需要任何云連接，可以直接在本地學習與部署，支持STM32所有MCU系列。需要搭配STM32CubeMX、Keil或STM32CubeIDE等編譯器使用。

下面這個鏈接是ST的下載網址：

?https://www.st.com/en/development-tools/nanoedgeaistudio.html

下載過程中會收到郵件，里面有l(wèi)icense，第一次使用軟件需要用到

到此，軟件就獲取完畢

2.2 軟件介紹

前面已提到，Studio可生成四種類型的庫：異常檢測、單分類、多分類、預測。左上角四個模型分別對應這四種庫（AD：異常檢測，nC：多分類，1C：單分類，E：預測），然后下面是以前做過的一些歷史工程。

下面對這四種庫講一下使用流程：

2.2.1 異常檢測

異常檢測：異常檢測是指模型對正常數據與異常數據進行訓練、學習后，生成的模型可以識別生成的邊緣AI可以判斷數據是正常還是錯誤。

這里可能會有疑問，為什么不使用閾值判斷等方法，甚至加個濾波可能更加準確，這么做不是更簡單嗎，在這里使用AI的作用在哪？

答案是，第一，得到的數據難免會出現(xiàn)上下浮動的問題，如何選取閾值是一個值得考慮的問題，對于界限沒那么清晰的情況，經常需要經過多次實驗確定閾值。而如果使用AI，我們只需要告訴模型，一種情況下的現(xiàn)象是如何，另一種情況下的現(xiàn)象是如何，直接由算法幫我們分析。

第二，也是比較關鍵的一點，如果我們需要根據多維參數確定一個整體的綜合情況，比如評價水質，我們可能會從多角度去考慮（溫度、濁度、PH值、含氧量等），那么這個時候，設定閾值就會非常難。

綜上，使用AI來做異常檢測，會使得問題考慮起來更容易。

在學習這里的時候，在幾個平臺看到了幾個比較經典的例子，可以引入異常檢測：

1.風扇、電機等異常檢測：通過電流傳感器、ADC等檢測電流、電壓等物理量，我試過通過MPU6050加速度傳感器監(jiān)測電機是否在正常工作

2.聲音檢測：通過聲音傳感器反饋出電壓模擬量

3.無人機飛行異常檢測：沒有仔細去研究參考的物理量，個人認為需要通過上述提到的物理量綜合考慮

當然還有一些例子，這里就不一一列舉了，大家可以嘗試做一下

那么，下面就開始講解軟件基本用法：

點開左上角的AD，進入模型構建界面：

第一個界面是Project Setting：

第一步確定模型在ROM和RAM上的最大占據量，這里我直接用默認

第二步，在右邊確定芯片型號。這里比較好的一點是，我可以直接選擇一個系列，這個系列里的所有型號都能夠通用

第三步，選擇參考量的個數。如果想用三軸加速度傳感器，那么顯然這時需要參考三個量，點擊第一個圖標即可選擇。當然后面還有電流量等等的檢測，這里就不再贅述了。

當然，上面也提到了，使用AI來做異常檢測的好處是能綜合多個量判斷狀態(tài)，這時點擊Cross sectional選項可以選擇Multi-sensor，注意參考量個數的選擇，幾個量就是幾個Axes。

這里，我選擇三軸加速度傳感器作為演示實例。

第二個界面是Regular signals。前面提到，需要引入正常數據和異常數據進行檢測，這里就是采集正常數據。

點擊Add Signal，然后看到有兩個方法：

一個是導入本地csv格式的數據表格，另一種是用串口向電腦發(fā)送數據。

對于導入csv表格，軟件內的提示我感覺寫的并不是很清晰，我的理解是：進行的一次實驗測得的數據寫在一行內。測得的每個數據，都要按照x,y,z的順序來，然后不要空格。比如我得到三個方向加速度，分別為x，y，z。第一次實驗，我在一段時間內測得200次，也就是得到200組加速度數據，第一組為x1，y1，z1，第二組為x2，y2，z2。那么，放在表格里的順序是：x1，y1，z1，x2，y2，z2，......第一次實驗完成后進行第二次實驗，把實驗數據寫在第二行，每行最多有256組數據，然后實驗次數不要低于20次，也就是行數不低于20行。

這里注意的一點是，不要寫任何題頭，直接頂格寫數據。

對于用串口發(fā)送數據，可能會更加方便一點，但前提是不對數據再做人工處理。但這里需要寫程序把數據按順序通過串口發(fā)送電腦上。下面的是我用MPU6050發(fā)送數據的代碼，其他的思路都是一樣的，供大家參考。

 char buf[30];int cnt;MPU6050_Init();while (1){sprintf(buf,"%ld,%ld,%ld,",AccelData[0],AccelData[1],AccelData[2]);MPU6050ReadAcc(Accel);for( int i=0;i<3;i++){if(Accel[i]>=0){AccelData[i]=Accel[i]*2000/32768;}else{AccelData[i]=-(-Accel[i]+1)*2000/32768;}		}HAL_UART_Transmit(&huart1,(uint8_t*)buf,strlen(buf),0xFFFF);cnt++;if(cnt==256){cnt=0;HAL_UART_Transmit(&huart1,(uint8_t*)"\r\n",2,0xFFFF);}
}

每一次實驗的數據要用回車隔開，每個數要用特定字符隔開，這里我用的是逗號，當然其他一些符號也行，大家可以自己研究，最后導入之前再把提示的異常數據刪除即可。

這時就能看到導入的數據的直觀圖了，至于RUN OPTIONAL CHECKS那里，我覺得點不點都行，這個的目的是檢查數據的質量。

第三個部分是對異常情況下數據的采集，一樣的，就不贅述了

第四個部分Benchmark就是模型訓練了，這里會自動計算若干個算法對于導入的這些數據的適配性

訓練完如此，可以選擇最好的幾個進行仿真測試。

最后一步，就是自動生成代碼了。

左邊這幾個選項，第三個和第四個勾選即可，

第二個如果導入的數據里沒有浮點數，就不要勾選，

如果想同時使用多個模型，勾選第一個，并命名。

最后點擊COMPILE LIBRARY，生成文件。

這里需要導入編譯器的文件是libenai.a和NanoEdgeAI.h，找到自己工程的位置

打開Core文件夾，里面有Src和Inc兩個文件夾，把libenai.a放到Src文件夾里，NanoEdgeAI.h放到Inc文件夾里。然后打開編譯器，我這里使用Keil

?導入到工程里，然后雙擊libneai.h文件，點第一個

文件類型選Library file?

?至此文件就導入完畢了

在Studio，最后一步右邊還有自動生成的代碼

/* Includes --------------------------------------------------------------------*/
#include "NanoEdgeAI.h"//直接粘貼
/* Number of samples for learning: set by user ---------------------------------*/
#define LEARNING_ITERATIONS 30//直接粘貼
float input_user_buffer[DATA_INPUT_USER * AXIS_NUMBER]; //直接粘貼
void fill_buffer(float input_buffer[])//直接粘貼，后續(xù)需要在這里加代碼填充input_buffer[]
{/* USER BEGIN *//* USER END */
}/* -----------------------------------------------------------------------------*/
int main(void)
{/* Initialization ------------------------------------------------------------*/enum neai_state error_code = neai_anomalydetection_init();//直接粘貼uint8_t similarity = 0;//直接粘貼if (error_code != NEAI_OK) {/* This happens if the library works into a not supported board. */}//直接粘貼/* Learning process ----------------------------------------------------------*/for (uint16_t iteration = 0 ; iteration < LEARNING_ITERATIONS ; iteration++) {fill_buffer(input_user_buffer);neai_anomalydetection_learn(input_user_buffer);}//直接粘貼/* Detection process ---------------------------------------------------------*/while (1) {fill_buffer(input_user_buffer);neai_anomalydetection_detect(input_user_buffer, &similarity);//直接粘貼/* USER BEGIN *//** e.g.: Trigger functions depending on similarity* (blink LED, ring alarm, etc.).*//* USER END */}
}

similarity代表相似度，相似度越高代表越正常，最高為100，最低為0，低于一定值就代表異常，一般認為90以下異常

最后，別忘勾選Short enums/wchar（之前在Studio里勾選，這里照應上了）

?到這里就應該可以正常編譯了

2.2.2 單分類/多分類

單分類的是指，將數據進行導入，進行機器學習后，可以判斷出設備的正?；蛘弋惓！＿@里與異常判斷不同的是，這里會將所有非正常的數據判斷為異常，而異常判斷卻可以分析出當前數據與正常數據的相似度。

單分類跟異常檢測還是很像的，這里就不多說了，唯一需要說的是，導入數據的時候要把兩類都導入，同樣多分類也是，也不多說了

2.2.3 預測

模型可以對過往的數據進行分析，訓練，生成的模型可以根據近期的數據近似分析出下一個時刻可能的數據，大家也可以自行研究。

至此，Nanoedge AI Studio講解完畢

3 STM32Cube AI

3.1 軟件獲取

X-CUBE-AI是STM32Cube.AI生態(tài)系統(tǒng)的STM32Cube擴展軟件包的一部分，通過自動轉換預訓練的神經網絡并將生成的優(yōu)化庫集成到用戶的項目中，擴展了STM32CubeMX功能。

簡而言之就是通過X-Cube-AI擴展將當前比較熱門的AI框架進行C代碼的轉化，以支持在嵌入式設備上使用，目前使用X-Cube-AI需要在STM32CubeMX版本5.0以上，目前支持轉化的模型有Keras、TF lite、ONNX等，還算比較牛的，Cube-AI把模型轉化為一堆數組，而后將這些數組內容解析成模型，和Tensorflow里的模型轉數組后使用原理是一樣的。

在工程內，或Manage Embedded Software Packages里安裝

3.2 軟件介紹

我這里使用8.1版本，導入什么類型的模型就選什么格式，選擇STM32Cube.AI runtime，Compression代表壓縮模型，如果模型過于復雜，那么根據需求選擇壓縮程度，Optimization是選擇時間和空間的協(xié)調程度，即時間優(yōu)先還是空間優(yōu)先

?然后點擊Analyze分析模型，分析結束后可以直接生成代碼，打開編譯器，這里著重講一下代碼，需要對自動生成的代碼有一定了解。

寫程序基本的思路是：輸入數據（預處理）、模型推理、輸出數據（后處理）

先看main.c文件，自動生成的代碼如下：

MX_X_CUBE_AI_Init();
while (1)
{MX_X_CUBE_AI_Process();
}

顯然，第一句是AI初始化，while內的是AI的數據處理

AI的初始化我沒有改動，主要看AI的數據處理過程，右鍵MX_X_CUBE_AI_Process（）看這個函數的定義

void MX_X_CUBE_AI_Process(void)
{/* USER CODE BEGIN 6 */int res = -1;printf("TEMPLATE - run - main loop\r\n");if (network) {do {/* 1 - acquire and pre-process input data */res = acquire_and_process_data(data_ins);/* 2 - process the data - call inference engine */if (res == 0)res = ai_run();/* 3- post-process the predictions */if (res == 0)res = post_process(data_outs);} while (res==0);}if (res) {ai_error err = {AI_ERROR_INVALID_STATE, AI_ERROR_CODE_NETWORK};ai_log_err(err, "Process has FAILED");}/* USER CODE END 6 */
}

其實這里就可以看出前面提到的三個步驟，但這里的邏輯我感覺沒有說很好，于是決定自己封裝函數。

這里就不過多講解了，其實這里需要對app_x_cube_ai.c文件里的代碼做一定的了解，

比如代碼里涉及到的數據類型，這里換了個名，要能看懂

typedef uint8_t       ai_custom_type_signature;typedef void*         ai_handle;
typedef const void*   ai_handle_const;typedef float         ai_float;
typedef double        ai_double;typedef bool          ai_bool;typedef char          ai_char;typedef uint32_t      ai_size;
typedef int16_t       ai_short_size;typedef uintptr_t     ai_uptr;typedef unsigned int  ai_uint;
typedef uint8_t       ai_u8;
typedef uint16_t      ai_u16;
typedef uint32_t      ai_u32;
typedef uint64_t      ai_u64;typedef int           ai_int;
typedef int8_t        ai_i8;
typedef int16_t       ai_i16;
typedef int32_t       ai_i32;
typedef int64_t       ai_i64;typedef uint64_t      ai_macc;typedef int32_t       ai_pbits;typedef uint32_t      ai_signature;typedef void (*ai_handle_func)(ai_handle);

CubeMX也提供了一些示例代碼，也有一個大概的了解

/* USER CODE BEGIN 2 */
int acquire_and_process_data(ai_i8* data[])
{/* fill the inputs of the c-modelfor (int idx=0; idx < AI_NETWORK_1_IN_NUM; idx++ ){data[idx] = ....}*/return 0;
}int post_process(ai_i8* data[])
{/* process the predictionsfor (int idx=0; idx < AI_NETWORK_1_OUT_NUM; idx++ ){data[idx] = ....}*/return 0;
}
/* USER CODE END 2 */

最后附上我自己封裝的代碼，供大家參考。

我訓練的模型是輸入5個float數據，輸出1個ai_i32數據

app_x_cube_ai.c文件

ai_buffer* Get_Inputs(void)
{ai_u16 *in_buffer=(short unsigned int*)0;return ai_network_inputs_get(network,in_buffer);
}
ai_buffer* Get_Outputs(void)
{ai_u16 *out_buffer=(short unsigned int*)0;return ai_network_outputs_get(network,out_buffer);
}
void PrepareInput(ai_float* InputData)
{ai_input=Get_Inputs();ai_input->data=InputData;
}
ai_i32* Predict()
{ai_output=Get_Outputs();ai_run();return (ai_i32*)ai_output->data;
}
void NetPrint()
{printf("Input shape:");for(int i=0;i<Get_Inputs()->shape.size;i++){printf("%d ",Get_Inputs()->shape.data[i]);}printf("\r\n");printf("Output shape:");for(int i=0;i<Get_Outputs()->shape.size;i++){printf("%d ",Get_Outputs()->shape.data[i]);}printf("\r\n");
}

.h文件

void PrepareInput(ai_float* InputData);
void NetPrint(void);
ai_i32* Predict(void);

main.c文件

float Data[6][5]={{1,450,23,7,60},{0,640,25,8,10},{2,420,25,8,0},{3,680,27,8.5,20},{4,400,24,7,80},{5,530,22,7.5,40}};
NetPrint();while (1){    for(int k=0;k<6;k++){float InputData[5]={Data[k][0],Data[k][1],Data[k][2],Data[k][3],Data[k][4]};PrepareInput(InputData);printf("InputData:%f %f %f %f %f\r\n",InputData[0],InputData[1],InputData[2],InputData[3],InputData[4]);printf("outData:%d\r\n",*Predict());printf("\r\n");}}

測試結果與上位機一致。至此，STM32Cube AI的基本使用講解結束。