X-CUBE-AI是STM32生態系統中的AI擴展包。可自動轉換預訓練的人工智能模型，并在用戶項目中生成STM32優化庫。

最新版的X-CUBE-AI v7.1.0在以下方面進行了三大更新：

支持入門級STM32 MCU

支持最新的AI訓練框架

改善用戶體驗和性能調節。

我們通過提供更多用戶友好的界面，不斷增強STM32 AI生態系統的功能，并加強了神經網絡計算中的更多操作。最重要的是，該擴展包由我們免費提供。

在介紹X-CUBE-AI v7.1.0的三大更新內容之前，我們先回顧一下X-CUBE-AI的主要用途。

什么是X-CUBE-AI擴展包

X-CUBE-AI擴展包，也稱STM32Cube.AI，裝配優化模塊，確保從精度、內存占用和電源效率方面為目標STM32生成最佳擬合模型。

圖形優化器通過有利于STM32目標硬件架構的圖形簡化和優化自動提高性能。使用了幾種優化技術，如計算圖重組、算子融合、常數折疊等。

量化器X-CUBE-AI擴展包支持FP32和Int8預訓練模型。開發人員可以導入量化神經網絡以兼容STM32嵌入式架構，同時通過采用文檔中詳述的訓練后量化過程來保持性能。在下一個版本中，還將考慮Int1、Int2和Int3。成功導入模型后，可在桌面和目標STM32硬件上驗證代碼。

內存優化器內存優化器是一種高級內存管理工具。優化內存分配以獲得最佳性能，同時符合嵌入式設計的要求。可在內部和外部資源之間實現內存分配的智能平衡，還可以為模型創建專用內存。開發人員可以輕松地更新模型。

X-CUBE-AI v7.1.0的三大更新

在最新版本的X-CUBE-AI v7.1.0中，我們進行了三大更新。

支持入門級STM32 MCU為了讓您的邊緣設備在各個層面都支持AI，我們使X-CUBE-AI v7.1.0實現了對STM32 Arm Cortex-M0和Arm Cortex-M0+的全面支持。從現在起，用戶可以將神經網絡帶至最小的STM32微控制器上。

開發人員不僅可以在以下產品組合中找到用于各種用途的匹配芯片，還可以擁有一款具有AI啟發性的芯片。STM32的頻譜范圍從超低功耗到高性能系列和微處理器，均包含在內。無線MCU等不同用途也適合AI應用。

支持最新的AI框架最新版本的X-CUBE-AI v7.1.0在Keras和TensorFlow等廣泛使用的深度學習框架中添加了多種功能，并將TFLite runtime升級至2.7.0，將ONNX升級至1.9。

Keras通過Tensorflow得到支持，支持的算子允許處理針對移動或物聯網資源受限的運行時環境的大量經典拓撲。例如，SqueezeNet、MobileNet V1或V2、Inception、SSD MobileNet V1等。在X-CUBE-AI v7.1.0中最高可支持TF Keras 2.7.0。

Tensorflow Lite是在移動平臺上部署神經網絡模型的格式。X-CUBE-AI導入并轉換基于flatbuffer技術的tflite文件。處理多個算子，包括量化模型和量化感知訓練或訓練后量化過程生成的算子。

對于其他可以導出為ONNX標準格式的框架，如PyTorch、Microsoft Cognitive Toolkit、MATLAB等，X-CUBE-AI同樣支持。

每個AI框架我們只支持所有可能層和層參數子集，這取決于網絡C API的表達能力和特定工具箱的解析器。

我們提供STM32Cube.AI運行時，以便在執行AI應用程序時獲得最佳性能。但是，開發人員可以選擇TensorFlow Lite運行時作為一種替代方案，在多個項目中發揮作用。即使可能會降低性能，因為運行時針對STM32的優化程度較低。

除了深度學習框架外，X-CUBE-AI還涵蓋了來自著名開源庫scikit-learn的機器學習算法，這是一個完整的Python機器學習框架，如：隨機森林、支持向量機(SVM)、k-means聚類和k最近鄰(k-NN)。開發人員可以構建大量有監督或無監督的機器學習算法，并利用簡單高效的工具進行數據分析。

X-CUBE-AI v7.1.0不直接支持來自scikit-learn框架或XGBoost包的機器學習算法。在完成訓練步驟后，這些算法應轉換為ONNX格式，以便部署和導入。skl2onnx實用程序通常用于將模型轉換為ONNX格式。可以使用帶有ONNX導出器的其他ML框架，但請注意，X-CUBE-AI中ONNX-ML模型的導入主要使用 scikit-learn v0.23.1、skl2onnx v1.10.3和XGBoost v1.5.1進行測試。

改善用戶體驗和性能調節X-CUBE-AI v7.1.0引入了多堆支持，開發人員只需單擊即可輕松地將不同內容分配到碎片化的內存段上。

通過使用外部內存支持，開發人員可以輕松地在不同的內存區域分配權重。一旦模型存儲在多個數組中，便可將部分權重映射到內部閃存，而其余的則映射到外部閃存。該工具使開發人員可以根據模型要求和應用程序內存占用使用非連續閃存區。

圖形用戶界面還提供了生成代碼中使用的緩沖區的全面視圖。一旦選擇了模型，開發人員就可以通過直觀地檢查統計數據來評估整體復雜性和內存占用。模型中的每一層都清晰可見，開發人員可以輕松識別關鍵層。

該工具可幫助開發人員加快速度，使我們能夠在桌面上驗證模型，進行快速基準測試并檢測目標STM32設備的最終性能。

驗證過程結束時，對比表總結了原始模型和STM32模型之間的準確性和誤差。X-CUBE-AI還提供了每層的計算復雜度報告，以及運行時測量的推斷時間。

X-CUBE-AI只是意法半導體為STM32用戶利用人工智能提供的廣泛生態系統的一部分。使用X-CUBE-AI可確保高質量開發的長期支持和可靠性。每次推出新的主要版本時，都會有針對性地定期更新，確保兼容最新AI框架。敬請關注我們為您帶來的更多有趣技術。

我們將策劃一系列AI主題文章，詳細介紹意法半導體在Deep Edge AI領域的努力成果。

本文是該系列文章中的第十一篇，點擊上方的話題，訂閱我們的AI技術專題系列 。

歡迎您在文后積極留言，告訴我們想了解意法半導體AI的哪些方面，我們將為您呈現更多精彩內容。

原文標題：AI技術專題之十一：更簡便、更智能的X-CUBE-AI v7.1.0，讓您輕松部署AI模型

文章出處：【微信公眾號：意法半導體中國】歡迎添加關注!文章轉載請注明出處。

審核編輯：湯梓紅