STM32CubeMx wiht AI 初体验

• File: 初使用STM32CubeMX 烧录AI极简model
• Tips: 没有图片的文章都是耍流氓，本文填充了大量的截图
• Github: project1
• 微信公众号链接: RTThread物联网操作系统
• Author1: [email protected]
• Author2: [email protected]
• Date: 2020/07/02

0x00 嵌入式关联AI

将 AI 模型移植到 RT-Thread 上（1）

AI落地一直是一个很红火的前景和朝阳行业。我的好奇心也比较旺盛，所以关于任何嵌入式和 AI 相关的都是想尝一尝。本系列文章将带你一步一步把 AI 模型部署在嵌入式平台，移植到 RT-Thread 操作系统上，实现你从菜鸟到起飞的第一步甚至第 n 步！

开发环境：

后续开发过程将基于 STM32H743ZI-Nucleo 开发板，并且使用 STM32CubeMX.AI 工具。它可以基于训练好的 AI Model (仅限 Keras/TF-Lite)，自动生成嵌入式项目工程(包括但是不局限于 MDK、STM32CubeIDE 等)。该工具易于上手，适合嵌入式 AI 入门开发。

STM32CubeMX是ST公司推出的一种自动创建单片机工程及初始化代码的工具，适用于旗下所有STM32系列产品。

0x01 准备工作

1.1 安装开发环境

我是用的操作系统是 Ubuntu 18.04。本次实验要用到如下开发工具，软件的安装过程很简单，网上都有很成熟的教程，在此不再赘述。该篇教程同样适用于 Windows 环境，实验步骤完全相同。

• STM32CubeMx

• STM32CubeIDE

• STM32CubeProgrammer

  STM32CubeProgrammer 在 ubuntu 环境下使用可能会出现如下错误：

  安装好之后，在终端执行安装包路径下的bin文件夹下的执行文件，会报错误：找不到或无法加载主类 “com.st.app.Main”，这时候只要将 Ubuntu 默认的 Open-JDK 换成 Oracle JDK 就好了，下面是切换成 Oracle JDK 成功的截图：

  #　Oracle 官网中下载JavaSE JDK 压缩包
  $ sudo tar zxvf jdk-8u172-linux-x64.tar.gz -C /usr/lib/jvm
  # 将下载的JDK注册到系统中
  $ sudo update-alternatives --install /usr/bin/java java /usr/lib/jvm/jdk1.8.0_172/bin/java 300
  # 切换JDK
  $ sudo update-alternatives --config java
  # 查看JDK 版本
  $ java -version
  

  

1.2 在 PC 端搭建极简神经网络

首先将如下开源仓库克隆到本地：

• Github: https://github.com/Lebhoryi/Edge_AI/tree/master/Project1

在本次实验中我选择了最简单的一个线性回归( Linear Regression) Tensor Flow2 Demo 作为示例，模型相关源文件说明如下：

• tf2_linear_regression.ipynb 内含三种不同方式搭建网络结构
• tf2_线性回归_扩展.ipynb 内含不同方式训练模型

其中，在模型搭建的时候，重新温习了一下，有三种方式（各个方式的优缺点已经放在参考文章当中，感兴趣的同学自行查阅）：

• Sequence
• 函数式 API
• 子类

后面将 AI 模型导入到 CubeMx 的过程中，如果使用后两种方式生成的网络模型，将会遇到如下报错：

INVALID MODEL: Couldn't load Keras model /home/lebhoryi/RT-Thread/Edge_AI/Project1/keras_model.h5, 
error: Unknown layer: Functional

暂时的解决方式是采用Sequence 方式搭建神经网络，训练好的 AI Model 会被保存为 Keras 格式，后缀为 .h5，例如 keras_model.h5。

示例模型我已经保存好了，大家可以直接下载该模型进行实验，下载地址如下：

https://github.com/Lebhoryi/Edge_AI/tree/master/Project1/model

本次示例所训练的神经网络模型结构如下：

0x02 使用CubeMx AI 生成工程

在 CubeMX 中选择 STM32H743ZI Nucleo 开发板，这里其实不限制开发板型号，常见的 Nucleo 和 Discovery 开发版都可以用于本次实验

2.1 打开CubeMx

2.2 导入软件包

打开菜单栏中的 Help，选择 Embedded Software Packages Manager，然后在 STMicroelectronics 一栏中选择 X-CUBE-AI 插件的最新版本，安装好之后点击右下角的 Close。

在工程中导入 X-CUBE-AI 插件：

会出现如下界面：

接下来选择用于通信的串口，这里选择串口 3，因为该串口被用于 STlink 的虚拟串口。

2.3 导入PC端训练好的模型

将 AI 模型烧录到开发板前，需要先分析 Model，检查其是否可以被正常转换为嵌入式工程，本次实验使用的模型比较简单，分析起来也也比较快，结果如下所示：

接下来我们要在开发板上验证转换后的嵌入式工程，在这个过程中 CubeMX AI 工具会根据你导入的 AI 模型，自动生成嵌入式工程，并且将编译后的可执行文件烧录到开发板中，并通过 STlink 的虚拟串口验证运行的结果。我的系统是 Ubuntu，不支持 MDK，所以在这里选择自动生成 STM32CubeIDE 工程。

验证成功界面如下所示：

2.4生成项目工程

上一步我们只是进行了项目结果的验证，但是并没有生成项目源代码，接下来我们将生成项目工程，如下图所示：

生成后的 Project 文件夹树如下所示：

(base) #( 07/03/20@10:51上午 )( lebhoryi@RT-AI ):~/RT-Thread/Edge_AI@master✗✗✗
   tree -L 2 ./Project1 
./Project1
├── DNN  # CubeMX 生成工程路径
│   ├── DNN.ioc  # CubeMX 类型文件
│   ├── Drivers
│   ├── Inc
│   ├── Middlewares
│   ├── network_generate_report.txt
│   ├── Src
│   ├── Startup
│   ├── STM32CubeIDE
│   ├── STM32H743ZITX_FLASH.ld
│   └── STM32H743ZITX_RAM.ld
├── image  # 相关图片保存文件夹
│   ├── mymodel1.png   # model
│   └── STM32H743.jpg  # H743
├── model  # model 保存路径
│   └── keras_model.h5
├── Readme.md
├── tf2_linear_regression.ipynb
└── tf2_线性回归_扩展.ipynb

至此，神功练成了一大半，剩下的就是代码调试的工作了。

0x03 代码调试

关于STM32CubeIDE 的初步认识：基础说明与开发流程

3.1 导入工程

选择 File 选项 --> import：

选择先前导出工程的路径：

导入成功的界面如下所示：

接下来就可以使用 STM32Cube IDE 来调试生成的工程了。

3.2 生成.bin 文件

在编译的过程中还会自动生成相应的 bin 文件，后续可以通过 stm32cubeProgramer 工具将 bin 文件烧录到开发板中。

3.3 烧录bin 文件

打开STM32CubeProgramming，点击右上角connect，然后选择Open file，选择要打开的.bin 文件。

烧录成功的界面：

3.4 other

在 Ubuntu 系统中我们可以使用串口工具cutecom来查看最终程序的运行结果，程序运行结果如下：

在使用 cutecom 连接串口前，记得断开 STM32Programer 和开发板的连接，否则会出现串口打开错误的情况。

可以看到我们的 AI 模型已经在开发板上欢快地跑了起来 ！！！

0x04 显示神经网络的输入和输出

在main.c 函数中找到下面这一行:

函数内部跳转, 跳转到定义 MX_X_CUBE_AI_Process(void) 的地方

继续跳转,找到这个函数aiSystemPerformanceProcess()

下面是做了更改之后的代码, 其他部分没有做任何更改:

int aiSystemPerformanceProcess(void)
{
    int idx = 0;
    int batch = 0;
    int y_pred;
    ai_buffer ai_input[AI_MNETWORK_IN_NUM];
    ai_buffer ai_output[AI_MNETWORK_OUT_NUM];

    ai_float input[1] = {0};  // initial
    ai_float output[1] = {0};

    if (net_exec_ctx[idx].handle == AI_HANDLE_NULL)
    {
        printf("E: network handle is NULL\r\n");
        return -1;
    }

    ai_input[0] = net_exec_ctx[idx].report.inputs[0];
    ai_output[0] = net_exec_ctx[idx].report.outputs[0];

//    ai_float test_data[] = {0, 1, 2, 3, 4, 5, 6, 7};

    for (int i=0; i < 999; i++)
    {
    	input[0] = rand()%20 - 15;  // 随机生成[-10, 10] 的值
    	output[0] = 0;
    	ai_input[0].data = AI_HANDLE_PTR(input);
    	ai_output[0].data = AI_HANDLE_PTR(output);
    	batch = ai_mnetwork_run(net_exec_ctx[idx].handle, &ai_input[0], &ai_output[0]);
    	if (batch != 1)
    	{
    		aiLogErr(ai_mnetwork_get_error(net_exec_ctx[idx].handle),
    				"ai_mnetwork_run");
    		break;
    	}
    	y_pred = 6 * input[0] + 10;
    	printf("input  : %.2f \r\n", input[0]);
    	printf("y_pre  : %.2f \r\n", output[0]);
    	printf("y_true : %d \r\n", y_pred);
    	printf("\r\n===========================\r\n\r\n\r\n");
    	HAL_Delay(5000);
    }
}

运行成功的截图:

0x05 参考文章

• STM32CubeMX系列教程
• Tensorflow 2.0 中模型构建的三种方式
• Ubuntu16.04 和 Ubuntu18.04 安装 STM32CubeProgrammer 遇到的坑
• 基础说明与开发流程