|
NanoEdgeAIStudio案例之----人体存在检测（视觉唤醒词） - 内容：介绍了一种基于视觉唤醒词的人存在检测方法，该方法通过使用B-CAMS-OMV相机模块捕捉场景，并将图像缩小到96×96像素。然后，选择了谷歌视觉唤醒词的一个预训练神经网络模型来进行存在检测。这个模型已经集成在了STM32H747 Discovery套件的功能包FP-AI-VISION1中。为了优化模型，还使用了STM32Cube.AI工具。
- 方法：首先，使用B-CAMS-OMV相机模块捕获场景，并将其缩小到96×96像素。然后，选择了一个预训练的神经网络模型进行存在检测。这个模型来自谷歌的视觉唤醒词，并已经被集成到了STM32H747 Discovery套件的功能包FP-AI-VISION1中。最后，使用STM32Cube.AI工具对模型进行了优化。
- 结果：对于MobileNet v1 0.25模型，量化输入大小为96×96x3，内存占用为214 KB Flash用于权重和40 KB RAM用于激活，准确率为85%。在STM32H747上的性能表现为推理时间为36 ms，帧率为28 fps。而对于MobileNet v2 0.35模型，量化输入大小为128×128x3，内存占用为402 KB Flash用于权重和224 KB RAM用于激活，准确率为91%。在STM32H747上的性能表现为推理时间为110 ms，帧率为9 fps。
- 心得：通过使用视觉唤醒词的方法进行人体存在检测，可以实现对环境的智能化管理。这种方法具有较高的准确率和较低的延迟，适用于各种智能家居和建筑环境。同时，通过使用预训练的神经网络模型和优化工具，可以进一步提高模型的性能和效率。
| 
楼主
