【STEVAL-STWINKT1B测评】6.nanoedge ai 初体验

#申请原创# #申请开发板#0.前言
前两天跟我姥爷打视频，姥爷让我多学学“欸哎”，帮他做个炒菜的“欸哎”机器人。不得不说现代传媒真的厉害，古稀的老人都对前沿技术略知一二。
手上的事放一放，先来做NANOEDGE AI 的部分。炒菜是做不了，整个颠勺还是行的（笑）。
1.NANOEDGE AI简介边缘AI是一种将人工智能处理从云端转移到网络边缘的技术，它使数据处理更接近数据源，如传感器或设备。这种方法降低了延迟，提高了带宽效率，增强了隐私和安全性，并且使得系统更加可靠。它适用于需要快速响应的应用，如自动驾驶、工业自动化和实时监控，通过在边缘设备上运行优化的机器学习算法，实现实时数据处理和智能决策。
NanoEdge AI Studio 是由意法半导体（STMicroelectronics）开发的一款自动化机器学习（ML）工具，专为STM32微控制器的开发人员设计。这个工具是免费的，可以帮助用户为STM32微控制器或智能传感器创建和集成机器学习模型。NanoEdge AI Studio 支持异常检测、分类或回归库的创建，并且能够与基于Cortex-M的Arduino开发板原生兼容。

（图源：wiki.stmicroelectronics.cn）
这个板子上集成了诸多传感器和通信方式，简直是为NANOEDGE AI这盘醋所包的饺子。
2.软件部分配置
软件的下载和使用这里不再赘述，今年初NANOEDGE AI studio 开放免费使用，直接在网站注册激活码即可。
打开后界面如图：

这里提供了四种训练方法，异常检测（AD）、多类分类（NCC）、单类分类（1CC）和外推法（E）。

简单论述四种方法：

• 异常检测（anomaly detection[color=var(--content-h1-fg)]）：[color=var(--content-h1-fg)]让一个系统从数据中学习到某些正常的特征，从而诊断出非正常的数据。
• N类分类（N-class classification）：将数据集中的每个实例分类到N个不同的类别中的某一个
• 一类分类（1-class classification）：从数据中识别出单个类别的实例，同时忽略或识别不属于该类别的所有其他实例。
• 外推法（extrapolation）：根据已有数据以及模型（函数）预测未知区域的函数值，预测的点在已有数据范围外，即是extrapolation（外推）。
  

这里可以直接用这块板子的DATELOG部分：


这里可以选择传感器和相关参数，这次选择用ISM330的加速度计：

之后会生成一个工程代码的ZIP，里面包含

其中的DOCS是WIKI的网站，可以按照WIKI来

另外还有一种方法，从串口采集数据，这种办法更方便，省去了前面搞数据的麻烦
板卡和数据选择：

代码部分：此部分代码要求时间固定，方便软件读取对应的参数，我用的定时进入中断回调函数：

1. void HAL_TIM_PeriodElapsedCallback(TIM_HandleTypeDef *hitm)

复制代码

另外数据发送部分改用USB虚拟串口：

1. if(USB_Datalog=1)
   
2.         size = sprintf(data_s, "  %d, %d, %d\r\n ",
   
3.                        (int)rptr->acc.x, (int)rptr->acc.y, (int)rptr->acc.z);
   
4.         CDC_Transmit_FS(( uint8_t * )data_s, size);
   
5.       }

复制代码

这个代码用之前ISM330的，但是之前那个有BUG，采集速度不行，可以从FP-DATELOG包下载代码

采集一定数据之后，还需要再采集异常的数据：


（这部分东西有点多，等我更新）

可以跑AI？话说，MCU跑AI是不是有些吃力，并且好像也做不了什么算法算力吧

催更，催更，想看实现效果

ai都是有什么应用啊

通过在边缘设备上运行优化的机器学习算法