Wie implementiert man künstliche Intelligenz-Algorithmen auf STM32?

Die Bereitstellung von KI-Algorithmen auf STM32-Mikrocontrollern erfordert die Umwandlung trainierter Modelle in optimierten, effizienten Code, der auf den begrenzten Ressourcen der STM32-Geräte ausgeführt werden kann (eingeschränkter Speicher, Rechenleistung und Energieverbrauch). Hier ist eine Schritt-für-Schritt-Anleitung:

1. Auswahl des richtigen STM32-Boards

Nicht alle STM32-Mikrocontroller eignen sich für KI. Wähle ein Modell mit ausreichend RAM, Flash und Rechenleistung:

• STM32H7-Serie (High-Performance)

• STM32F7-Serie (hohe Leistung)

• STM32L4-Serie (für stromsparende KI-Anwendungen)

• STM32MP1 (Mikroprozessorbasiert, unterstützt Linux)

2. Trainieren des KI-Modells

Trainiere dein Modell auf einem PC mit einem Standard-Framework:

• TensorFlow / TensorFlow Lite

• PyTorch (muss zu ONNX oder TFLite konvertiert werden)

• Keras

Stelle sicher, dass das Modell klein genug ist (TinyML-tauglich).

3. Umwandlung des Modells in ein geeignetes Format

Nach dem Training musst du das Modell in ein Format umwandeln, das mit STM32-Tools kompatibel ist.

Gängige Formate:

• TensorFlow Lite (.tflite) – kompatibel mit STM32Cube.AI

• ONNX – kann in TFLite konvertiert oder mit Drittanbieter-Tools verwendet werden

4. Verwendung von STM32Cube.AI

STM32Cube.AI ist das offizielle Tool von ST zur Konvertierung und Optimierung neuronaler Netzwerke für STM32-MCUs.

Schritte:

1. STM32CubeMX installieren (enthält STM32Cube.AI Plugin)

2. Neues STM32-Projekt in STM32CubeMX erstellen

3. X-CUBE-AI Middleware hinzufügen

4. Dein .tflite- oder .onnx-Modell importieren

5. Speicher und Peripherie konfigurieren

6. C-Code generieren

STM32Cube.AI wird:

• Das Modell analysieren

• Es optimieren (Quantisierung, Pruning etc.)

• Effizienten C-Code für Inferenz erzeugen

5. Integration des Inferenz-Codes

• STM32Cube.AI erzeugt Funktionen wie ai_network_run(), die du in deiner Embedded-Anwendung aufrufen kannst.

• Du musst Ein-/Ausgabepuffer verwalten (z. B. normalisierte Bilder, Audiodaten usw.)

6. Bereitstellen und Testen

• Kompiliere und flashe die Firmware mit STM32CubeIDE oder Keil/IAR.

• Teste mit realen Eingaben.

• Verwende Tools wie STM32CubeMonitor-AI zur Validierung der Modellleistung auf der Hardware.

7. Optimierung der Leistung

• Nutze festkommaarithmetische oder quantisierte Modelle (z. B. 8-Bit).

• Aktiviere Hardwarebeschleunigung (einige STM32s verfügen über DSP, FPU oder KI-Beschleuniger).

• Nutze DMA für I/O und vermeide blockierende Aufrufe.

• Verringere die Modellkomplexität (weniger Schichten, kleinere Filter usw.)

Beispielanwendungen

• Sprachaktivierung (z. B. Erkennung von Schlüsselwörtern)

• Gestenerkennung mit Beschleunigungssensoren

• Bildklassifikation mit niedrig aufgelösten Graustufenbildern

• Zustandsüberwachung (Predictive Maintenance) mit Vibrationssensoren

Zusätzliche Tools

• NanoEdge AI Studio (von ST): Für Anomalieerkennung und Edge-KI ohne tiefes ML-Wissen.

• CMSIS-NN: Optimierte neuronale Netzwerk-Kernel für Cortex-M-Prozessoren (Alternative zu STM32Cube.AI für mehr Kontrolle).