FP-AI-FACEREC1功能包現在可按需提供，從而使 ST 的社區能夠在 STM32H7 上運行利用面部識別的新應用程序，這要歸功于它使用STM32Cube.AI。該軟件包為STM32H747I-DISCO板和 ST 的B-CAMS-OMV提供二進制文件相機轉接板。后者為 OpenMV 和 Waveshare 相機模塊提供了一個擴展連接器。該軟件處理設備上的注冊、相機控制、接口、板上的操縱桿、圖像捕獲、預處理和機器學習庫。它的數據庫最多可以存儲 100 個用戶，并且該進程在嵌入式 RAM 和閃存上以每秒 3.6 幀的速度運行。因此，可以構想出不需要外部存儲器的應用程序。此外，該解決方案只需要一個低分辨率 RGB 攝像頭、常規環境照明和高達 1.5 米（5 英尺）的拍攝對象。

新的入場費

在與 ST 博客的圓桌會議上，一家設計公司分享了客戶如何越來越希望從人工智能中受益。但是，進入門檻仍然很高。為資源受限的微處理器開發 AI 模型可能會增加總體成本，而對數據科學家的必要依賴意味著較小的團隊處于劣勢。因此，FP-AI-FACEREC1 至關重要，因為它表明可以在微控制器上運行復雜的神經網絡算法。此外，ST 軟件工具有助于減輕一些固有的復雜性，從而降低進入門檻。簡而言之，AI 的入場費變成了 STM32 探索套件，因為所有開發軟件都可以使用免費的 ST 工具，例如STM32CubeIDE和STM32立方體監視器。

FP-AI-FACEREC1，機器學習市場滲透新篇章

機器學習正在成為一種必需品

新的 ST 軟件包為可以從人工智能中受益但無法證明大規模投資的應用打開了大門。當智能手機開始通過掃描面部來驗證用戶身份時，制造商不得不投入大量現金和人力。對管理此類用例的極高準確性和嚴格安全認證的需求不言而喻。然而，鑒于面部識別在消費者中取得的巨大成功，公司看到了他們的投資快速回報。當其他行業需要人工智能但不能期望與智能手機供應商相同的回報時，就會出現問題。

另一個復合因素是依賴面部識別的用戶定制應用程序的興起。事實上，越來越多的客戶需要能夠為每個用戶定制設置、警報或行為。傳統上，用戶通過單擊按鈕、選擇頭像或輸入登錄名和密碼來選擇他們的帳戶。通過面部識別軟件，界面可以自動識別用戶并啟動他們的服務或設置。幾年前，視頻游戲機制造商將這個想法帶給了大眾。使用 FP-AI-FACEREC1，可以提供類似的功能，而無需昂貴的游戲系統。

面部識別越來越成為關注用戶健康的新應用的中心。例如，消費者烤箱制造商可以使用機器學習來檢測附近的兒童，而該設備還很熱，并觸發自動鎖定以防止發生事故。同樣，在電梯中使用面部識別可以確保孩子們只去他們的樓層，以防止他們迷路。

機器學習變得更容易訪問

FP-AI-FACEREC1 是必不可少的，因為它使新行業能夠從機器學習中受益，這要歸功于它的權衡。在 STM32H7 上運行代碼意味著與專注于安全身份驗證的系統相比，應用程序使用更少的圖像層和更低的分辨率。烤箱或電梯不需要滿足與計算機驗證用戶相同的準確性標準。因此，FP-AI-FACEREC1 表明可以使用更少的 RAM 和計算吞吐量，同時保持適合大眾市場應用的精度。 此外，ST 軟件包可容納全局快門以減少運動模糊或紅外傳感器以改善低光性能。結合飛行時間傳感器，功能包可以處理接近檢測。最終，該應用示例為尋求創新的工程師奠定了基礎。

同樣的解決方案也適用于STM32MP1，以滿足需要更多功率的工程師。一些團隊需要嵌入式 Linux 發行版才能更輕松地運行 Web 服務器。其他人可能需要 Cortex-A7 內核的強大功能來實現 GUI。在所有情況下，都可以使用與 FP-AI-FACEREC1 相同的 TensorFlow Lite 模型并在 Linux 上運行它。因此，開發人員可以享受更多的每秒幀數，同時受益于相同的內存占用。因此，擁有一個可以在高級 RTOS 上運行的系統使面部識別更容易獲得。

FP-AI-FACEREC1，關于嵌入式系統機器學習的新故事

創新使人臉識別成為可能

機器學習是一個復雜的主題，它可能令人生畏。ST 的軟件包是一種解決方案，它試圖揭開工作流程的神秘面紗，并展示了該行業已經走了多遠。第一步是拍照以確定是否有要檢測的人臉。之后，將人的面部特征轉換為浮點數數組（Float32Vector）。因此，該系統是完全保密的，因為圖片本身從未存儲在數據庫中，并且整個過程完全是本地的。該應用程序從不將數據發送到云端。最后，FP-AI-FACEREC1 與業界其他產品的區別在于它使用 STM32Cube.AI 來優化其神經網絡。因此，它使用更少的內存并在 STM32 MCU 上提供更高的性能。

由于優化，面部識別成為可能

ST 解決方案的另一個令人興奮的方面是它有助于了解內存使用和優化。例如，相機捕獲的每張圖像占用 150 KB 的 RAM，而圖像緩沖區占用 225 KB。大多數庫都可以放入 Flash，包括由 STM32Cube.AI 優化的神經網絡庫。因此，整個應用程序可以安裝在 STM32H7中。然后，開發人員可以調整我們的實現以滿足他們的需求。但是，FP-AI-FACEREC1 確保它們從強大的實現而不是空白頁開始。

由于合作，面部識別成為可能

ST 的功能包是最終產品的墊腳石。團隊可以在原型設計階段利用演示應用程序，然后再進行生產就緒實施。為了進一步加快部署速度，工程師可以依賴ST 合作伙伴計劃的成員 Nalbi。事實上，該公司提供針對 STM32 優化的計算機視覺深度學習模型。因此，團隊可以使用 FP-AI-FACEREC1 或 Nalbi 的服務來進行生產就緒實施，利用 STM32Cube.AI 并優化性能以實現最有效的物料清單。

工程師可以使用 FP-AI-FACEREC1 的預訓練神經網絡進行試驗，以實現快速的概念驗證。然而，在生產方面，開發人員將不得不使用他們的人臉數據庫來訓練機器學習模型。事實上，這一步直接影響了針對性別、面部特征、膚色、圖像角度等的面部識別。因此，必須使用反映用例的培訓數據庫。或者，可以利用 Nalbi 的生產就緒軟件來構建最終應用程序。

審核編輯：郭婷