<menu id="ukoms"><tt id="ukoms"></tt></menu><xmp id="ukoms"><nav id="ukoms"></nav><xmp id="ukoms">
  • <menu id="ukoms"></menu>
    技術

    更簡便、更智能的X-CUBE-AI v7.1.0,讓您輕松部署AI模型

    2025China.cn   2022年04月28日

      X-CUBE-AI是STM32生態系統中的AI擴展包??勺詣愚D換預訓練的人工智能模型,并在用戶項目中生成STM32優化庫。

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

      支持入門級STM32 MCU

      支持最新的AI訓練框架

      改善用戶體驗和性能調節。

      我們通過提供更多用戶友好的界面,不斷增強STM32 AI生態系統的功能,并加強了神經網絡計算中的更多操作。最重要的是,該擴展包由意法半導體免費提供。

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

    什么是X-CUBE-AI擴展包

      X-CUBE-AI擴展包,也稱STM32Cube.AI,裝配優化模塊,確保從精度、內存占用和電源效率方面為目標STM32生成最佳擬合模型。

      圖形優化器

      通過有利于STM32目標硬件架構的圖形簡化和優化自動提高性能。使用了幾種優化技術,如計算圖重組、算子融合、常數折疊等。

      量化器

      X-CUBE-AI擴展包支持FP32和Int8預訓練模型。開發人員可以導入量化神經網絡以兼容STM32嵌入式架構,同時通過采用文檔中詳述的訓練后量化過程來保持性能。在下一個版本中,還將考慮Int1、Int2和Int3。成功導入模型后,可在桌面和目標STM32硬件上驗證代碼。

      內存優化器

      內存優化器是一種高級內存管理工具。優化內存分配以獲得最佳性能,同時符合嵌入式設計的要求??稍趦炔亢屯獠抠Y源之間實現內存分配的智能平衡,還可以為模型創建專用內存。開發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,進行了三大更新。

      支持入門級STM32 MCU

      為了讓您的邊緣設備在各個層面都支持AI,我們使X-CUBE-AI v7.1.0實現了對STM32 Arm? Cortex?-M0和Arm? Cortex?-M0+的全面支持。從現在起,用戶可以將神經網絡帶至最小的STM32微控制器上。

      開發人員不僅可以在以下產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。無線MCU等不同用途也適合AI應用。

      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習框架中添加了多種功能,并將TFLite runtime升級至2.7.0,將ONNX升級至1.9。

      Keras通過Tensorflow?得到支持,支持的算子允許處理針對移動或物聯網資源受限的運行時環境的大量經典拓撲。例如,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是在移動平臺上部署神經網絡模型的格式。X-CUBE-AI導入并轉換基于flatbuffer技術的tflite文件。處理多個算子,包括量化模型和量化感知訓練或訓練后量化過程生成的算子。

      對于其他可以導出為ONNX標準格式的框架,如PyTorch?、Microsoft? Cognitive Toolkit、MATLAB?等,X-CUBE-AI同樣支持。

      每個AI框架我們只支持所有可能層和層參數子集,這取決于網絡C API的表達能力和特定工具箱的解析器。

      我們提供STM32Cube.AI運行時,以便在執行AI應用程序時獲得最佳性能。但是,開發人員可以選擇TensorFlow? Lite運行時作為一種替代方案,在多個項目中發揮作用。即使可能會降低性能,因為運行時針對STM32的優化程度較低。

      除了深度學習框架外,X-CUBE-AI還涵蓋了來自著名開源庫scikit-learn的機器學習算法,這是一個完整的Python機器學習框架,如:隨機森林、支持向量機(SVM)、k-means聚類和k最近鄰(k-NN)。開發人員可以構建大量有監督或無監督的機器學習算法,并利用簡單高效的工具進行數據分析。

      X-CUBE-AI v7.1.0不直接支持來自scikit-learn框架或XGBoost包的機器學習算法。在完成訓練步驟后,這些算法應轉換為ONNX格式,以便部署和導入。skl2onnx實用程序通常用于將模型轉換為ONNX格式??梢允褂脦в蠴NNX導出器的其他ML框架,但請注意,X-CUBE-AI中ONNX-ML模型的導入主要使用 scikit-learn v0.23.1、skl2onnx v1.10.3和XGBoost v1.5.1進行測試。

      改善用戶體驗和性能

      調節X-CUBE-AI v7.1.0引入了多堆支持,開發人員只需單擊即可輕松地將不同內容分配到碎片化的內存段上。

      通過使用外部內存支持,開發人員可以輕松地在不同的內存區域分配權重。一旦模型存儲在多個數組中,便可將部分權重映射到內部閃存,而其余的則映射到外部閃存。該工具使開發人員可以根據模型要求和應用程序內存占用使用非連續閃存區。

      圖形用戶界面還提供了生成代碼中使用的緩沖區的全面視圖。一旦選擇了模型,開發人員就可以通過直觀地檢查統計數據來評估整體復雜性和內存占用。模型中的每一層都清晰可見,開發人員可以輕松識別關鍵層。

      該工具可幫助開發人員加快速度,使我們能夠在桌面上驗證模型,進行快速基準測試并檢測目標STM32設備的最終性能。

      驗證過程結束時,對比表總結了原始模型和STM32模型之間的準確性和誤差。X-CUBE-AI還提供了每層的計算復雜度報告,以及運行時測量的推斷時間。

      X-CUBE-AI只是意法半導體為STM32用戶利用人工智能提供的廣泛生態系統的一部分。使用X-CUBE-AI可確保高質量開發的長期支持和可靠性。每次推出新的主要版本時,都會有針對性地定期更新,確保兼容最新AI框架。

    (來源:意法半導體)

    標簽:意法半導體 我要反饋 
    2022年華南展
    進博會
    西克
    專題報道
    西門子:物聯網熱門用例
    西門子:物聯網熱門用例

    隨著互聯設備的數量持續迅猛增長,物聯網的用途也不再僅限于監控設備行為。物聯網的價值漸漸更多地來源于采集機器數據,以便找到

    西門子:智能性能工程之閉環驗證
    西門子:智能性能工程之閉環驗證

    機器制造商通常需要在產品設計和驗證過程中盡早使用仿真功能。閉環驗證可將仿真結果與實際物理環境真實世界的機器運行進行對比分

    借助虛擬調試工具在制造機器之前規劃工廠安裝
    借助虛擬調試工具在制造機器之前規劃工廠安裝

    下載 CIMdata 近期推出的白皮書,了解如何將虛擬調試和虛擬工廠仿真融入設計和制造流程以提前高效進行產品驗證。

    亚洲se色在线观看,无码国产午夜视频在线观,未满十八18禁止免费网址
    <menu id="ukoms"><tt id="ukoms"></tt></menu><xmp id="ukoms"><nav id="ukoms"></nav><xmp id="ukoms">
  • <menu id="ukoms"></menu>