前言：上星期去了ST的广州研讨会，得知低算力MCU（STM32F1）也能部署模型使用机器学习了（甚至还是好几年前的技术了），大为震惊。虽然STM32MCU算力不太高（反正也不准备跑图像，H7算力是够但价格高了），但对于多输入多输出的系统，可将上述系统抽象成一个黑箱，无需复杂的判断逻辑和建模即可输出结果，省去建模的烦恼，无疑是令人愉悦的。并且可以全系列部署，而且自动使用上万个模型匹配数据，每个模型都有自带的超参数等，据技术人员表述差不多是轮询一遍给出得分最高的模型。如果使用CubeAI会麻烦点，要自己一个一个转，没有这么方便。下面本人将NanoEdge AI Studio（下面简称为软件）的使用经验浅述一下。

本系列第二篇文章：STM32MCU边缘AI部署之再探NanoEdge AI Studio（二） - 科创网 (XXXXXXXXXXXX)

正文：

先摆上点参考链接

软件下载地址：NanoEdge AI Studio - STMicroelectronics - STM32 AI

软件的安装教程（其实不看这个也行，这个软件安装不算困难，免费使用的）：边缘AI工具-NanoEdge AI Studio 安装教程_nanoedge ai 如何安装-CSDN博客

使用边缘AI改进嵌入式系统的一些例子：边缘AI案例研究 - STMicroelectronics

软件的使用说明：AI:NanoEdge AI Studio - stm32mcu (XXXXXXXXXXXXXXXXXXXXX)

7个详细的现实生活中的训练部署例子：分类：NEAI - 教程 - stm32mcu (XXXXXXXXXXXXXXXXXXXXX)

上面的上一级目录，资料会多一点：分类：NanoEdgeAI - stm32mcu (XXXXXXXXXXXXXXXXXXXXX)

下面直接进入正题，先把流程跑通，更详细的说明请阅读上面的链接，我这里跑个二分类作为例子（异常检测）。

1、打开软件（纯废话了），填入注册码。在下载软件时，你要填写邮箱，这个不能乱写，ST会发个注册码到你的邮箱的，激活要使用。

2、欣赏一下这个界面，左上是新建project的地方，我们可以看到支持四种类型的项目：异常检测，1 类分类，N 级分类，外推法（推理）。根据我们的需要，选择第一个异常检测。并create new project。

3、选板子和数据类型，我使用的是STM32L496，数据类型根据实际来选就行（更详细的信息参考ST的文档），比如说你收集陀螺仪三轴加速度数据，那就是3 Axis，我这里打算使用一维正态分布的两组不同期望的数据来跑流程，所以选1 Axis，然后，点next。什么？你问我板子哪里买到的？当然是研讨会送的啦 ：

4、理解理解这个是什么意思，就比如说单纯收集陀螺仪的偏航角（YAW）作为样本，回传速率是600Hz，如果每次都只使用个数据来训练，那是学习不到数据之间的关系的，无法进行分类，所以一般是使用时间序列的方法。记录下时间连续的多个数据，这样子就可以学习特征。缓冲区大小应为 2 的幂次方并且不少于16（这个在数据生成的时候会再次提到）。每个传感器轴至少包含 20 行（信号示例，这个一般是多点好，但不绝对，要保证信号质量，减少杂波，ST的手册有提到）。点ADD导入数据。

5、由于我现在手上没有传感器的数据，直接用Python整些正态分布数据出来导入excel，当做传感器的数据，下面是生成正态分布的数据的.py程序。

import numpy as np
import pandas as pd

# 设置随机种子以确保结果可重复
np.random.seed(42)

# 生成一个形状为 (200, 16) 的矩阵，正态分布，期望为 3，标准差为 1
matrix = np.random.normal(loc=3, scale=1, size=(200, 16))

# 创建一个 DataFrame
df = pd.DataFrame(matrix)

# 将 DataFrame 导出为 CSV 文件
file_path = '3-1-200-16.csv'
df.to_csv(file_path, index=False)

上面生成的.csv大概是这样的，我们上面提到过的缓冲区大小（这里是16）通过excel表的数据很清晰的展现出来，行数不解释。

我们再生成一个形状为 (200, 16) 的矩阵，正态分布，期望为 3.5，标准差为 1。（这个不展示了）

6、从文件导入（第一个），从串口导入要烧录另外的程序，这个等开发板到了之后再试试。导入完continue。

7、删除多余的行，把第一行删掉。左边就是一些不同的数据分割方式，对于excel选第一个comma就行。注意，删除完第一个文件的点击show next删除下一个文件的。然后import

8、check一下，都是绿色通过就行。

9、点击上方的Abnormal signals，然后Add signal进去，和上面第6、7、8步一样的操作。

10、点上方的Benchmark，Run new benchmark，选一下两类信号，and Start！CPU马上咆哮起来（这里是用CPU跑的，不支持GPU）。

11、我训练个几分钟不训练了，不想等了直接Stop，有时间也可以等待全部跑完。下图一是训练过程，下图二是训练结果，图二的右上角有STM32F411使用硬件浮点加速器运算的耗时结果可供参考。另外上方第五个选项点进去可以看到其他模型出来的结果，也可以参考下。

12、点上方第6个Deployment，把模型down下来，下图二是down下来的压缩包的内容，里面包含：静态预编译的 NanoEdge AI 库文件 libneai.a、NanoEdge AI 头文件NanoEdgeAI.h、知识头文件（仅限分类和外推项目）knowledge.h、NanoEdge AI 仿真器（Windows 和 Linux 版本）。

中的一些库元数据信息metadata.json

13、有人会说，老湿啊，你这正确率也不高哇，怎么提升啊？直接把缓冲区大小提高（注意是2的幂次方，下面使用的大小是128）就行，我实际测试下来这个方法比增加训练时间获得的正确率提升要多，下面再生成两个.csv，分别是：

形状为 (200, 128) 的矩阵，正态分布，期望为 3，标准差为 1

形状为 (200, 128) 的矩阵，正态分布，期望为 3.5，标准差为 1

其他过程和上面一致，再丢进去跑一下......两分钟等待......效果显著

14、......没有14了......突然发现已经写了2500字，meow~（喵~）。

PS：由于实际采集数据会有回传速率限制，对MCU的响应速度也有要求，因此缓冲区大小不可能无限大。

PPS：前5有KC币，欢迎提建议和意见。

PPPS：算力表