STM32Cube.AI带来神经网络处理改变物联网格局战略

ST 的 Markus Mayr 概述了STM32Cube.AI，这是业界最先进的工具包，能够与流行的深度学习库进行互操作，将任何用于 STM32 微控制器 （MCU） 的人工神经网络转换为运行优化推理。

在过去的五年里，人工智能 （AI） 已经从一个流行语转变为现实，人工智能在面部和语音识别、金融欺诈检测、预测性维护和在线购物建议中得到了应用，现在已经成为许多人日常生活的一部分——随着即将出现的新应用。

人工智能是一组使计算机能够模仿人类行为和智能的技术。它以从数据中提取意义的机器和深度学习算法集为基础。为了开发包含 AI 功能的应用程序，您需要专门的工具和专业知识，这对于缺乏机器和深度学习培训的资深嵌入式开发人员来说可能是一个挑战。

将数据科学带给嵌入式系统专家

STM32Cube.AI意义重大，因为经常使用 STM32 MCU 专门研究嵌入式系统的开发人员可能不熟悉神经网络。同样，从事机器学习工作的数据科学家可能更习惯于云计算几乎无穷无尽的计算资源，并且可能对嵌入式开发的内存和计算限制不太适应。STM32Cube.AI 通过揭开 AI 和嵌入式系统的神秘面纱，并通过将神经网络引入嵌入式边缘开发来扩展物联网，提供工具来利用更广泛的开发人员群体的专业知识。

传统上，人工智能计算是在云端执行的，大量原始传感器数据由网关聚合，然后发送到基于云的人工智能引擎。这种架构具有优势，因为它可以处理需要大量计算能力的非常大的数据集和计算。另一方面，这种方法需要大量的功率和高网络带宽，并且在云中进行大量且昂贵的计算。由于需要将数据发送到云进行处理，它还引入了延迟和隐私风险。

分布式 AI 架构是一种更轻巧、更敏捷的 AI 计算方法，其中网络边缘的嵌入式处理器和微控制器对传感器数据进行预处理，显着减少发送到云端的数据集大小或在没有任何连接的情况下自主执行神经网络到云端。借助 STM32Cube.AI，配备 STM32 MCU 的边缘物联网设备现在可以直接运行神经网络，在边缘实现实时 AI 计算并立即做出响应，保护隐私并减少网络带宽和集中式计算能力。

STM32Cube.AI 的工作原理

在 STM32 MCU 上实现神经网络的第一步是将依赖于框架的预训练神经网络输入到 STM32Cube.AI 转换工具中，该工具用作STM32CubeMX代码生成器的扩展包。STM32Cube.AI 支持快速、自动导入由流行设计框架（如 Keras、TensorFlow-Lite、Caffe、Lasagne 和 ConvnetJS）训练的神经网络。它将神经网络转换为 MCU 的优化代码。然后，该工具将经过训练的神经网络映射到 STM32 MCU 并优化生成的库以减少内存占用。完成所有这些后，STM32Cube.AI 将 NN 提供给开发人员。

除了 STM32Cube.AI 工具包外，意法半导体还提供其他产品和技术来帮助弥合嵌入式和 AI 系统开发人员之间的差距。其中包括专门为捕获和处理传感器数据而设计的SensorTile 开发套件，以及STM32 IoT 节点，这是一个多传感器探索套件，具有集成的低功耗无线 BLE、NFC、Sub GHz 和 Wi-Fi 无线电，可帮助用户开发直接连接到云服务器的应用程序。

ST 还提供一系列STM32 功能包，它们将低级驱动程序、中间件库和示例应用程序组合到一个软件包中。传感功能包 帮助快速启动结合和处理来自多个传感器的数据以实现高级检测和监控功能的应用示例的实施和开发，例如运动识别、语音识别、环境监控、定位、跌倒检测、访问控制和入侵检测。

STM32Cube.AI 不仅仅是一个工具包——它象征着意法半导体通过为所有 STM32 开发人员带来神经网络处理来改变物联网格局的战略。