住宅やビルのスマート化は、生活環境や労働環境の管理を居住者中心にすることを意味します。 このパラダイム･シフトの実現には、身の回りにある電子部品のセンシング･インテリジェンスの強化が必要です。 その意味で、在室検出は照明アプリケーションや冷暖房空調アプリケーションのスマート化と効率化に新たな可能性を開きます。
アプローチ
- カメラ･モジュール（B-CAMS-OMV）を使用してシーンをキャプチャし、96 x 96ピクセルに縮小しました。
- 人検出の管理には、Google Visual Wake Wordからの学習済みNNモデルを選択しました。
- このモデルは、すでにファンクション･パックFP-AI-VISION1（STM32H747ディスカバリ･キット用）に統合されています。
- このモデルはSTM32Cube.AIを使用して最適化されています。
- 人検出の管理には、Google Visual Wake Wordからの学習済みNNモデルを選択しました。
- このモデルは、すでにファンクション･パックFP-AI-VISION1（STM32H747ディスカバリ･キット用）に統合されています。
- このモデルはSTM32Cube.AIを使用して最適化されています。
センサ
画像：カメラ･モジュール･バンドル（リファレンス･ボード：B-CAMS-OMV）
データ
データ形式
2クラス：人がいる / 人がいない
96 x 96カラー画像（MobileNet v1 0.25の場合）
128 x 128カラー画像（MobileNet v2 0.35の場合）
2クラス：人がいる / 人がいない
96 x 96カラー画像（MobileNet v1 0.25の場合）
128 x 128カラー画像（MobileNet v2 0.35の場合）
結果
モデル： 量子化されたMobileNet v1 0.25
入力サイズ：96 x 96 x 3
メモリフットプリント：
ウエイト用214 KB フラッシュ
アクティベーション用40 KB RAM
精度：85%（Cocoサブセット･データセットに対して）
STM32H747* @ 400 MHz でのパフォーマンス
推論時間：36 ms
フレームレート：28 fps
モデル： 量子化されたMobileNet v2 0.35
入力サイズ：128 x 128 x 3
メモリ･フットプリント
使用Flashメモリ402KB（重みデータ）
使用RAM：224KB（アクティベーション･バッファ）
精度：91%（Cocoサブセット･データセットに対して）
STM32H747* @ 400 MHz でのパフォーマンス
推論時間：110 ms
フレームレート：9 fps
* STM32CubeAI 7.1.0ベースのFP-AI-VISION1 3.1.0を使用して測定
入力サイズ：96 x 96 x 3
メモリフットプリント：
ウエイト用214 KB フラッシュ
アクティベーション用40 KB RAM
精度：85%（Cocoサブセット･データセットに対して）
STM32H747* @ 400 MHz でのパフォーマンス
推論時間：36 ms
フレームレート：28 fps
モデル： 量子化されたMobileNet v2 0.35
入力サイズ：128 x 128 x 3
メモリ･フットプリント
使用Flashメモリ402KB（重みデータ）
使用RAM：224KB（アクティベーション･バッファ）
精度：91%（Cocoサブセット･データセットに対して）
STM32H747* @ 400 MHz でのパフォーマンス
推論時間：110 ms
フレームレート：9 fps
* STM32CubeAI 7.1.0ベースのFP-AI-VISION1 3.1.0を使用して測定
リソース
コード最適化ツール STM32Cube.AI
無償のSTM32Cube拡張パッケージX-CUBE-AIにより、ニューラル･ネットワークや機械学習モデルといった学習済みAIアルゴリズムを、STM32に最適化されたCコードへ自動変換できます。
対応製品 STM32H7シリーズ
Arm® Cortex®-Mベース32bitマイコンのSTM32ファミリは、マイコン･ユーザに高いレベルの自由を提供します。完全統合性および開発の容易さを維持しながら、高性能、リアルタイム性能、豊富な機能、デジタル信号処理、低消費電力 / 低電圧駆動、およびコネクティビティを兼ね備えた製品を提供します。
