本文分享沒有AI背景的工程師，在使用NanoEdge AI Studio快速訓(xùn)練風(fēng)扇異常偵測的模型的方法。

此模型是依馬達(dá)控制板的電流訊號，偵測風(fēng)扇濾網(wǎng)的堵塞百分比。當(dāng)風(fēng)扇堵塞時，馬達(dá)的電流訊號波型與一般情況不同，但傳統(tǒng)演算法很難偵測到差異。因此，機器學(xué)習(xí)演算法便成為解決此問題的絕隹選擇。在訓(xùn)練模型時，通常會使用scikit-learn函式庫，因此，本文將闡述自行訓(xùn)練機器學(xué)習(xí)模型及使用 STM32Cube.AI 部署到相同裝置上的方式，以便使用者比較兩者之間的差異。

圖一

NanoEdge AI Studio為端對端工具，可預(yù)先處理部分資料，再進(jìn)行訓(xùn)練與媒合演算法；而STM32Cube.AI則會需要工程師具備完整的AI模型開發(fā)經(jīng)驗。

硬體與軟體前置準(zhǔn)備

圖二

P-NUCLEO-IHM03馬達(dá)控制套件用於驅(qū)動風(fēng)扇，是由NUCLEO-G431RB主機板、馬達(dá)控制擴充板與無刷馬達(dá)所組成。

在進(jìn)行軟體前置準(zhǔn)備時，需先設(shè)定Anaconda環(huán)境，并安裝scikit-learn、pandas和ONNX等必要函式庫。

然後，再依建立AI專案的關(guān)鍵步驟，逐步建立以STM32Cube.AI為基礎(chǔ)的專案。

首先，使用者需要收集建立機器學(xué)習(xí)模型所需的資料。在此資料集當(dāng)中（訓(xùn)練資料集），部分將用於模型訓(xùn)練，典型比例為80%，而另一部分（測試資料集）用於日後評估所建模型的效能，典型比例為20%。

第二步，使用者需要「標(biāo)記」資料。因為決策樹模型是以模型建立者所標(biāo)記的分類為基礎(chǔ)，因此，機器需要知道所收集到之資料的類別，例如「跑步」、「行走」、「靜止」等。

分類是指使用者依照其認(rèn)為重要的屬性將資料分組，也就是機器學(xué)習(xí)領(lǐng)域中的「類別（class）」。

接下來，使用者要利用已準(zhǔn)備好的資料集訓(xùn)練機器學(xué)習(xí)模型，也就是「擬合（fitting）」。此步驟的結(jié)果準(zhǔn)確度有極大程度取決於資料之內(nèi)容與數(shù)量。

第四步，使用者要將訓(xùn)練完畢的機器學(xué)習(xí)模型內(nèi)嵌至系統(tǒng)。若是電腦執(zhí)行的機器學(xué)習(xí)，使用者可使用Python函式庫直接執(zhí)行模型；若機器學(xué)習(xí)位於MCU等裝置上，則可在實作前將此函式庫轉(zhuǎn)換成C語言程式碼；若為MEMS MLC等硬體配線方案，實作前可使用UNICO-GUI專用軟體，將函式庫先轉(zhuǎn)換為暫存器設(shè)定。

最後一步為驗證機器學(xué)習(xí)模型，如果驗證結(jié)果不符預(yù)期，使用者必須確認(rèn)并改善上述步驟。

圖三

首先，先匯入需要的函式庫

圖四

為了方便比較，這邊使用上一次NanoEdge AI Studio訓(xùn)練模型中所使用的資料集。本文作者使用pandas，并從csv檔讀取資料，并將其用於訓(xùn)練模型。

在開始訓(xùn)練模型前可以先輸出（print）資料集的形狀以了解內(nèi)容。

圖五

此資料集是由119筆資料所組成，共有128種特徵，且最後一個資料欄為資料標(biāo)簽。

接著，我們將資料集分為訓(xùn)練集及測試集，訓(xùn)練集用以訓(xùn)練模型，占資料集的80%，而測試集是用以檢查模型一般化能力，比重為20%。

圖六

資料集備妥即可開始訓(xùn)練模型。

圖七

訓(xùn)練結(jié)束後可在測試集上驗證該模型的效能。可以看到，模型在測試集上可達(dá)到約83%的準(zhǔn)確率。

圖八

最後，儲存訓(xùn)練後的模型會取得名為random_forest.onnx 的ONNX格式檔案。

圖九

以下為使用Netron模型可視化工具檢視的模型架構(gòu)：

圖十

經(jīng)過STM32Cube的整合，STM32Cube.AI 使用者能有效率地將模型移轉(zhuǎn)至多樣化的STM32微控制器系列中，而且類似模型也同樣適用於不同產(chǎn)品，能夠在STM32產(chǎn)品組合中輕松移轉(zhuǎn)。

此外掛程式可擴充STM32CubeMX的功能，自動轉(zhuǎn)換預(yù)先訓(xùn)練的人工智慧演算法，并將其產(chǎn)生的最隹化資料庫整合至使用者專案當(dāng)中，不需手動撰寫程式碼，并且能將深度學(xué)習(xí)解決方案嵌入各種STM32微控制器產(chǎn)品組合中，賦予產(chǎn)品智慧功能。

STM32Cube.AI提供各種深度學(xué)習(xí)框架的原生支援，例如Keras、TensorFlow Lite、ConvNetJs，也支援像是PyTorch、Microsoft Cognitive Toolkit、MATLAB等，所有可匯出為ONNX標(biāo)準(zhǔn)格式的框架。

此外，STM32Cube.AI還支援來自大量ML開放原始碼函式庫scikit-Learn的標(biāo)準(zhǔn)機器學(xué)習(xí)演算法，例如Isolation Forest、支援向量機器（Support Vector Machine，SVM）、k-means。

圖十一

現(xiàn)在已經(jīng)準(zhǔn)備好將模型部署至MCU了。本篇采STM32Cube.AI的CLI模式，可使用以下指令將模型轉(zhuǎn)換成最隹化C語言程式碼:

Stm32ai generate －m random forest.onnx

若轉(zhuǎn)換成功，以下訊息將會出現(xiàn)。

圖十二

在資料夾stm32ai_output中，可以看到下方產(chǎn)生出來的檔案。其中，network.c/.h保留模型拓?fù)涞馁Y訊，而network_data.c/.h則會記錄模型權(quán)重的資訊。

圖十三

此時，產(chǎn)生的模型也已經(jīng)可以整合至STM32專案中。當(dāng)使用CLI模式時，STM32Cube.AI的執(zhí)行階段需要手動新增至專案中，以利呼叫network.h中的函式執(zhí)行模型。

STM32Cube.AI也有更輕松整合AI模型的方式，若專案是以ioc檔案著手，便可將AI模型新增至CubeMX程式碼產(chǎn)生階段，一同產(chǎn)生程式碼。

圖十四

如下圖所示，啟用CubeMX的AI功能。

圖十五

將AI模型整合至專案當(dāng)中。

圖十六

如此一來，在產(chǎn)生程式碼時，AI模型會轉(zhuǎn)譯成最隹化C語言程式碼，而且STM32Cube.AI執(zhí)行階段的對應(yīng)版本也會一并整合至專案中。

圖十七

藉由這樣的方式，模型可整合至專案，且不會產(chǎn)生任何差錯。從以上兩種方法可以發(fā)現(xiàn)兩者差異在於NanoEdge AI Studio較簡易，且更有效率，而STM32Cube.AI則較為靈活、可自訂空間較大。