FP-AI-FACEREC1，机器学习市场渗透新篇章

FP-AI-FACEREC1功能包现在可按需提供，从而使 ST 的社区能够在 STM32H7 上运行利用面部识别的新应用程序，这要归功于它使用STM32Cube.AI。该软件包为STM32H747I-DISCO板和 ST 的B-CAMS-OMV提供二进制文件相机转接板。后者为 OpenMV 和 Waveshare 相机模块提供了一个扩展连接器。该软件处理设备上的注册、相机控制、接口、板上的操纵杆、图像捕获、预处理和机器学习库。它的数据库最多可以存储 100 个用户，并且该进程在嵌入式 RAM 和闪存上以每秒 3.6 帧的速度运行。因此，可以构想出不需要外部存储器的应用程序。此外，该解决方案只需要一个低分辨率 RGB 摄像头、常规环境照明和高达 1.5 米（5 英尺）的拍摄对象。

新的入场费

在与 ST 博客的圆桌会议上，一家设计公司分享了客户如何越来越希望从人工智能中受益。但是，进入门槛仍然很高。为资源受限的微处理器开发 AI 模型可能会增加总体成本，而对数据科学家的必要依赖意味着较小的团队处于劣势。因此，FP-AI-FACEREC1 至关重要，因为它表明可以在微控制器上运行复杂的神经网络算法。此外，ST 软件工具有助于减轻一些固有的复杂性，从而降低进入门槛。简而言之，AI 的入场费变成了 STM32 探索套件，因为所有开发软件都可以使用免费的 ST 工具，例如STM32CubeIDE和STM32立方体监视器。

FP-AI-FACEREC1，机器学习市场渗透新篇章

机器学习正在成为一种必需品

新的 ST 软件包为可以从人工智能中受益但无法证明大规模投资的应用打开了大门。当智能手机开始通过扫描面部来验证用户身份时，制造商不得不投入大量现金和人力。对管理此类用例的极高准确性和严格安全认证的需求不言而喻。然而，鉴于面部识别在消费者中取得的巨大成功，公司看到了他们的投资快速回报。当其他行业需要人工智能但不能期望与智能手机供应商相同的回报时，就会出现问题。

另一个复合因素是依赖面部识别的用户定制应用程序的兴起。事实上，越来越多的客户需要能够为每个用户定制设置、警报或行为。传统上，用户通过单击按钮、选择头像或输入登录名和密码来选择他们的帐户。通过面部识别软件，界面可以自动识别用户并启动他们的服务或设置。几年前，视频游戏机制造商将这个想法带给了大众。使用 FP-AI-FACEREC1，可以提供类似的功能，而无需昂贵的游戏系统。

面部识别越来越成为关注用户健康的新应用的中心。例如，消费者烤箱制造商可以使用机器学习来检测附近的儿童，而该设备还很热，并触发自动锁定以防止发生事故。同样，在电梯中使用面部识别可以确保孩子们只去他们的楼层，以防止他们迷路。

机器学习变得更容易访问

FP-AI-FACEREC1 是必不可少的，因为它使新行业能够从机器学习中受益，这要归功于它的权衡。在 STM32H7 上运行代码意味着与专注于安全身份验证的系统相比，应用程序使用更少的图像层和更低的分辨率。烤箱或电梯不需要满足与计算机验证用户相同的准确性标准。因此，FP-AI-FACEREC1 表明可以使用更少的 RAM 和计算吞吐量，同时保持适合大众市场应用的精度。 此外，ST 软件包可容纳全局快门以减少运动模糊或红外传感器以改善低光性能。结合飞行时间传感器，功能包可以处理接近检测。最终，该应用示例为寻求创新的工程师奠定了基础。

同样的解决方案也适用于STM32MP1，以满足需要更多功率的工程师。一些团队需要嵌入式 Linux 发行版才能更轻松地运行 Web 服务器。其他人可能需要 Cortex-A7 内核的强大功能来实现 GUI。在所有情况下，都可以使用与 FP-AI-FACEREC1 相同的 TensorFlow Lite 模型并在 Linux 上运行它。因此，开发人员可以享受更多的每秒帧数，同时受益于相同的内存占用。因此，拥有一个可以在高级 RTOS 上运行的系统使面部识别更容易获得。

FP-AI-FACEREC1，关于嵌入式系统机器学习的新故事

创新使人脸识别成为可能

机器学习是一个复杂的主题，它可能令人生畏。ST 的软件包是一种解决方案，它试图揭开工作流程的神秘面纱，并展示了该行业已经走了多远。第一步是拍照以确定是否有要检测的人脸。之后，将人的面部特征转换为浮点数数组（Float32Vector）。因此，该系统是完全保密的，因为图片本身从未存储在数据库中，并且整个过程完全是本地的。该应用程序从不将数据发送到云端。最后，FP-AI-FACEREC1 与业界其他产品的区别在于它使用 STM32Cube.AI 来优化其神经网络。因此，它使用更少的内存并在 STM32 MCU 上提供更高的性能。

由于优化，面部识别成为可能

ST 解决方案的另一个令人兴奋的方面是它有助于了解内存使用和优化。例如，相机捕获的每张图像占用 150 KB 的 RAM，而图像缓冲区占用 225 KB。大多数库都可以放入 Flash，包括由 STM32Cube.AI 优化的神经网络库。因此，整个应用程序可以安装在 STM32H7中。然后，开发人员可以调整我们的实现以满足他们的需求。但是，FP-AI-FACEREC1 确保它们从强大的实现而不是空白页开始。

由于合作，面部识别成为可能

ST 的功能包是最终产品的垫脚石。团队可以在原型设计阶段利用演示应用程序，然后再进行生产就绪实施。为了进一步加快部署速度，工程师可以依赖ST 合作伙伴计划的成员 Nalbi。事实上，该公司提供针对 STM32 优化的计算机视觉深度学习模型。因此，团队可以使用 FP-AI-FACEREC1 或 Nalbi 的服务来进行生产就绪实施，利用 STM32Cube.AI 并优化性能以实现最有效的物料清单。

工程师可以使用 FP-AI-FACEREC1 的预训练神经网络进行试验，以实现快速的概念验证。然而，在生产方面，开发人员将不得不使用他们的人脸数据库来训练机器学习模型。事实上，这一步直接影响了针对性别、面部特征、肤色、图像角度等的面部识别。因此，必须使用反映用例的培训数据库。或者，可以利用 Nalbi 的生产就绪软件来构建最终应用程序。

审核编辑：郭婷