嵌入式机器学习系列00：STM32图像分类

前言

可能有的同学会有疑问，STM32 能做图像分类这么复杂的事情吗？

我们可以肯定的告诉你：完全可以，这就是嵌入式机器学习（EmbeddedML）技术！不要忘了MCU才是真正的“霸主”！

下面请听小编为你慢慢道来。

首先嵌入式机器学习是一个很大的话题，涉及到的技术主要有：

• 嵌入式软硬件技术：ARM、DSP、C/C++、Linux、Android等
• 图像处理：数字图像理论、OpenCV等
• 机器学习理论：高数、线代、CNN、激活函数、损失函数、梯度下降等
• 机器学习框架：TensorFlow、Caffe等
• Python . . .

这么多！想想都头晕，如果我们把这些都写在一篇文章里那么你一定不干，我们也不干啊。所以我们决定做一个嵌入式机器学习(EmbeddedML)专栏，通过一系列的文章和视频，带你走进这个新奇的世界！

机器学习技术简介

机器学习是一种新的编程方式，一种能够让机器具有学习能力的编程方式。

我们来看看传统的编程方式与机器学习这种编程方式有何不同。

传统的编程方式是使用规则（由程序员编写）和数据生成结果。

机器学习与传统的编程方式相反，我们输入的是结果和数据，得到的是规则，这个规则是通过机器学习技术得到的，而不是由程序员编写的。

为什么要使用机器学习技术？

在某些应用场景中，使用机器学习技术的好处是显而易见的。

对于计算机来说，实际生活中的很多应用场景都非常的复杂，比如分辨猫和狗，大多数时候，我们无法事先编写一套规则让计算机分辨出哪个是猫哪个是狗。

此时机器学习技术的优越性就显现出来了，我们使用大量已标记的猫狗图片，去训练深度网络模型，得到一个识别猫狗的规则，计算机利用这个规则就能进行猫狗识别了。

机器学习的过程

机器学习应用一般分为两个过程：

• 一是模型的训练，这个过程需要大量的数据和计算量，一般在计算能力很强的计算机上进行。

• 二是使用训练所得的模型对输入进行预测，这个过程计算量相对就会小很多，可以在手机上，甚至是在MCU上进行。

自己动手尝试，是了解一个新事物最好的方式。我们为你准备了一个轻松易行的实验项目，不需要开发板，只要你有一台电脑就能运行。下面开始！

在STM32上进行图像分类实验

这里仅介绍如何在STM32上运行机器学习模型，从而对输入图像的类别进行预测。至于模型的网络搭建、训练和转换将在后续文章中介绍。

项目地址：https://github.com/edgeML/cifar10_image_classifier_on_stm32

图像分类项目简介

本项目实现了在STM32上进行图像分类的任务。使用CIFAR-10数据集，通过Caffe机器学习框架搭建和训练神经网络模型，然后将所得模型进行转换，使其能够运行在STM32上。本项目运行在Keil的模拟器中，所以无需开发板即可体验机器学习在STM32上的应用效果。

CIFAR-10数据集简介

CIFAR-10数据集由10类32x32的彩色图片组成，一共包含60000张图片，每一类包含6000图片。其中50000张图片作为训练集，10000张图片作为测试集。

有了CIFAR-10数据集我们就不用自己到处去收集照片了，可以直接开始训练模型，然后使用模型。

CIFAR-10数据集官网：https://www.cs.toronto.edu/~kriz/cifar.html

项目的输入

输入是一幅宽32像素高32像素的彩色图像，为方便STM32实验操作，事先将图像转换为像素值数组，存放在armnnexamplescifar10_inputs.h中。

项目输出

输出是测试图像所属的类别的概率，概率值最大的就是目标图像的所属类，输出结果如下图所示：

细心的同学可能要问了，为什么这里的输出是127，而不是一个0~1之间的数？

这个跟我们使用的Softmax函数有关，一般Softmax函数的公式是这样的：

y_i = e^(x_i) / sum(e^x_j)

而在STM32上我们采用的是以2为底Softmax函数，所以其输出会有所不同。

y_i = 2^(x_i) / sum(2^x_j)

众所周知，微控制器的计算性能有限，这样做可以大大减小计算量，并且从数学上来讲梯度是一样的，我们依然能够很好地分辨出目标图像所属的类别。

调试运行

下面的视频讲解了本项目的使用方法，最后从互联网随机下载一张图片进行了测试，识别效果都非常好，点开看看吧！

关注边缘智能实验室，后台回复 "edgeAI"，获取本文相关资源链接！

RECOMMEND推荐阅读

机器学习介绍

边缘智能实验室

边缘智能实验室

专注于边缘智能！

长按识别二维码关注

你点的每个赞，我都认真当成了喜欢