在之前的文章中，我們介紹了沒有AI基礎(chǔ)知識的工程師如何使用NanoEdge AI快速訓(xùn)練一個用于風(fēng)扇異常檢測的模型。

該模型根據(jù)來自電機控制板的電流信號，檢測風(fēng)扇過濾單元的堵塞百分比。我們知道，當風(fēng)扇發(fā)生堵塞時，電機的電流信號形狀會與正常時不同，而傳統(tǒng)算法很難有效地處理這種差異。因此，機器學(xué)習(xí)算法成為解決該問題的明智選擇。對于機器學(xué)習(xí)算法，我們通常使用scikit-learn庫來訓(xùn)練模型。今天我們將展示如何自行訓(xùn)練機器學(xué)習(xí)模型，然后使用STM32Cube.AI 將其部署到同一設(shè)備上，以便讓大家充分了解兩種工具的不同之處。

NanoEdgeAI是一款端到端工具，允許對數(shù)據(jù)進行一些預(yù)處理，并進行訓(xùn)練和算法選擇，而STM32Cube.AI 則需要工程師具備一定的AI建模經(jīng)驗，因為STM32Cube.AI 暫不支持模型訓(xùn)練。

硬件和軟件準備

用于驅(qū)動風(fēng)扇的P-NUCLEO-IHM03電機控制套件包括一塊NUCLEO-G431RB主板、一塊電機控制擴展板，以及一臺無刷電機。

在軟件準備方面，您需要配置anaconda環(huán)境，并安裝sklearn、pandas、ONNX等必要的庫。

讓我們回顧一下創(chuàng)建AI項目的一些關(guān)鍵步驟，然后據(jù)此逐步演示如何基于STM32Cube.AI 從零開始創(chuàng)建AI項目。

在步驟1中，用戶需要收集用于機器學(xué)習(xí)模型創(chuàng)建的數(shù)據(jù)。該數(shù)據(jù)集的一部分（訓(xùn)練數(shù)據(jù)集）將用于訓(xùn)練模型，另一部分（測試數(shù)據(jù)集）稍后將用于評估所構(gòu)建模型的性能。機器學(xué)習(xí)的數(shù)據(jù)集中的典型比率為：訓(xùn)練數(shù)據(jù)集占80%，測試數(shù)據(jù)集占20%。我們此次試驗用的數(shù)據(jù)集與之前NanoedgeAI訓(xùn)練模型使用的數(shù)據(jù)是一樣的。

在步驟2中，用戶需要對數(shù)據(jù)進行標記；基本上，我們需要告訴機器收集的數(shù)據(jù)屬于哪一類（例如“跑步”、“散步”、“靜止”……） 分類指的是根據(jù)您認為重要的屬性對數(shù)據(jù)進行分組：這種屬性在機器學(xué)習(xí)領(lǐng)域被稱為“類”。

接下來，在步驟3中，用戶使用預(yù)先準備的數(shù)據(jù)集訓(xùn)練機器學(xué)習(xí)模型。該任務(wù)也稱為“擬合”。訓(xùn)練結(jié)果的準確性在很大程度上取決于用于訓(xùn)練的數(shù)據(jù)的內(nèi)容和數(shù)量。

在步驟4中，用戶將訓(xùn)練過的機器學(xué)習(xí)模型嵌入到系統(tǒng)中。對于在計算機上執(zhí)行的機器學(xué)習(xí)，用戶可以利用Python庫直接執(zhí)行模型。對于在MCU等器件上運行的機器學(xué)習(xí)，用戶可以在執(zhí)行之前將該庫轉(zhuǎn)換為C代碼。

最后在步驟5中，用戶驗證機器學(xué)習(xí)模型。如果驗證結(jié)果與預(yù)期的結(jié)果不匹配，則用戶必須確定上述步驟中需要改進的部分，以及如何改進。比如增加數(shù)據(jù)，更改模型，調(diào)整模型超參數(shù)等。

至此，我們已經(jīng)幫大家重新梳理了一次AI項目的建模過程。接下來我們將按照這樣的過程完成我們今天的實驗。

首先，導(dǎo)入一些必要的庫

為了便于對比，我們使用了之前NanoEdgeAI訓(xùn)練模型中使用的數(shù)據(jù)集。我們使用pandas從csv文件讀取數(shù)據(jù)，然后用于模型訓(xùn)練。

在訓(xùn)練之前，讓我們先來了解一下該數(shù)據(jù)集。讓我們打印出數(shù)據(jù)集的維度。

可以看到，該數(shù)據(jù)集一共有119條數(shù)據(jù)和128個特征，最后一列實際上是我們的數(shù)據(jù)標簽。

接下來，我們將數(shù)據(jù)集分為訓(xùn)練集和測試集，訓(xùn)練集用于訓(xùn)練模型，測試集用于檢驗?zāi)Ｐ偷姆夯芰?。我們?0%的數(shù)據(jù)用于訓(xùn)練，20%的數(shù)據(jù)用于測試

一旦數(shù)據(jù)集準備就緒，我們就可以開始訓(xùn)練模型。

訓(xùn)練完成后，我們可以在測試集上驗證模型的性能。我們發(fā)現(xiàn)，該模型在測試集上可以達到約83%的準確率。

最后，我們保存經(jīng)過訓(xùn)練的模型，將得到一個ONNX格式的文件random_forest.onnx

我們使用netron查看模型的結(jié)構(gòu)如下

STM32Cube集成使得STM32Cube.AI 用戶能夠有效地在廣泛的STM32微控制器系列產(chǎn)品之間移植模型，并且（在相似型號適用于不同產(chǎn)品的情況下）在STM32產(chǎn)品之間輕松遷移。

該插件擴展了STM32CubeMX功能，可自動轉(zhuǎn)換訓(xùn)練好的AI模型，生成的優(yōu)化庫集成到用戶項目中，而不是人工構(gòu)建代碼，并支持將深度學(xué)習(xí)解決方案嵌入到廣泛的STM32微控制器產(chǎn)品組合中，從而為每個產(chǎn)品添加新的智能化功能。

STM32Cube.AI 原生支持各種深度學(xué)習(xí)框架，如Keras、TensorFlow Lite、ConvNetJs，并支持可導(dǎo)出為ONNX標準格式的所有框架，如PyTorch、Microsoft Cognitive Toolkit、MATLAB等。

此外，STM32Cube.AI 支持來自廣泛ML開源庫Scikit-Learn的標準機器學(xué)習(xí)算法，如隨機森林、支持向量機（SVM）、K-Means。

現(xiàn)在，我們準備將模型部署到MCU。我們使用STM32Cube.AI 的命令行模式將模型轉(zhuǎn)換為經(jīng)過優(yōu)化的C代碼。我們運用以下命令執(zhí)行模型轉(zhuǎn)換。

stm32ai generate -m random_forest.onnx

如果轉(zhuǎn)換成功，我們將看到以下消息。

在stm32ai_output文件夾中，我們將看到有以下文件生成。其中，network.c/.h包含關(guān)于模型拓撲的一些信息，而network_data.c/.h則記錄了關(guān)于模型權(quán)重的一些信息。

此時，我們準備好將生成的模型集成到stm32項目中。在CLI模式下，我們需要手動添加STM32Cube.AI 的運行環(huán)境到項目，所以我們可以調(diào)用network.h中的函數(shù)來運行模型。

當然，STM32Cube.AI 提供一種更簡便的方式來集成AI模型。假設(shè)您的項目從一個ioc文件開始，我們可以將AI模型添加到cubeMX的代碼生成階段，然后一起生成代碼。

啟用cubeMX中的AI功能如下，選擇對應(yīng)的STM32Cube.AI 的版本。

我們可借此將AI模型集成到項目中。

就這樣，在我們生成代碼后，AI模型轉(zhuǎn)化為優(yōu)化的C代碼，然后與STM32Cube.AI 運行環(huán)境的對應(yīng)版本一起集成到項目中。

這樣，我們就可以調(diào)用network.h中的函數(shù)將模型運行起來。

最終，我們通過這種方式順利地將模型集成到了項目中。通過比較這兩種不同的方法，我們可以發(fā)現(xiàn)STM32Cube.AI 和NanoEdgeAI之間的差異。NanoEdgeAI更簡單、高效，而STM32Cube.AI 則更加靈活且可定制。