ST treibt KI zu Edge- und Node-Embedded-Geräten mit STM32 Neural-Network Developer Toolbox

Unter Nutzung seiner STM32-Mikrocontroller-Familie hat STMicroelectronics das zugehörige STM32CubeMX-Ökosystem für Produktentwickler um erweiterte Funktionen der künstlichen Intelligenz (KI) erweitert. KI verwendet trainierte künstliche neuronale Netze, um Datensignale von Bewegungs- und Vibrationssensoren, Umgebungssensoren, Mikrofonen und Bildsensoren schneller und effizienter zu klassifizieren als herkömmliche handgefertigte Signalverarbeitung.

Mit STM32Cube.AI können Entwickler jetzt vortrainierte neuronale Netze in C-Code umwandeln, der Funktionen in optimierten Bibliotheken aufruft, die auf STM32-MCUs ausgeführt werden können. STM32Cube.AI wird mit gebrauchsfertigen Software-Funktionspaketen geliefert, die Beispielcode für die Erkennung menschlicher Aktivitäten und die Klassifizierung von Audioszenen enthalten. Diese Codebeispiele sind sofort mit dem ST SensorTile-Referenzboard und der mobilen ST BLE Sensor-App verwendbar.

Zusätzlicher Support wie Engineering-Services steht Entwicklern durch qualifizierte Partner innerhalb des ST-Partnerprogramms und der dedizierten AI &Machine LearningSTM32-Online-Community zur Verfügung.

Das Software-Funktionspaket FP-AI-SENSING1 bietet Codebeispiele zur Unterstützung von End-to-End-Bewegungs- (Erkennung menschlicher Aktivität) und Audioanwendungen (Audioszenenklassifizierung) auf Basis neuronaler Netze. Dieses Funktionspaket nutzt das SensorTile-Referenzboard von ST, um die Sensordaten vor dem Trainingsprozess zu erfassen und zu kennzeichnen. Das Board kann dann Schlussfolgerungen des optimierten neuronalen Netzwerks ausführen. Die mobile ST BLE Sensor-App fungiert als Fernbedienung und Display des SensorTile.

Die umfassende Toolbox bestehend aus dem STM32Cube.AI-Mapping-Tool, Anwendungssoftwarebeispielen, die auf batteriebetriebener SensorTile-Hardware mit kleinem Formfaktor laufen, zusammen mit dem Partnerprogramm und dem engagierten Community-Support bietet einen schnellen und einfachen Weg zur Implementierung neuronaler Netzwerke auf STM32-Geräte.