Nghiên cứu triển khai mạng học sâu LeNet5 trên vi điều khiển STM32 ứng dụng trong nhận dạng hình ảnh

Bài viết trình bày quá trình thiết kế và thực thi bài toán nhận dạng hình ảnh là chữ số viết tay trên board phát triển STM32. Chúng tôi sử dụng Google Colab và ngôn ngữ Python để huấn luyện mô hình mạng nơ-ron tích chập, sau đó ánh xạ mô hình đã huấn luyện lên thực thi trên board phát triển vi điều khiển STM32F411 với công cụ X-Cube-AI.
Nội dung trích xuất từ tài liệu:
Nghiên cứu triển khai mạng học sâu LeNet5 trên vi điều khiển STM32 ứng dụng trong nhận dạng hình ảnh TNU Journal of Science and Technology 226(11): 191 - 199 IMPLEMENTATION OF DEEP LEARNING NEURAL NETWORK LENET5 ON STM32 MICROCONTROLLER FOR IMAGE RECOGNITION Huynh Viet Thang* University of Science and Technology – University of Danang ARTICLE INFO ABSTRACT Received: 16/5/2021 The advent of smart mobile devices, along with the explosion of Internet-based applications and services, has led to the birth of a new Revised: 02/8/2021 computing paradigm – edge computing. Along with the current Published: 09/8/2021 expanding trend of artificial intelligence applications, deploying artificial intelligence and deep learning applications on edge KEYWORDS computing platforms is a prominent trend. This paper will investigate the ability to execute deep learning models using the convolutional Deep learning neural network LeNet5 for deep learning problems implemented on Edge computing low-power microcontrollers based on ARM architecture. We present STM32 microcontroller the process of designing and implementing the handwritten digit recognition problem on the STM32 development board. We use MNIST Google Colab and Python language to train the convolutional neural Internet of Things network model, then map the trained model to execute on the STM32F411 microcontroller development board with the use of X- Cube-AI tool. The experimental results show that the implementation on the microcontroller achieves nearly the same performance as that on the general purpose computers. NGHIÊN CỨU TRIỂN KHAI MẠNG HỌC SÂU LENET5 TRÊN VI ĐIỀU KHIỂN STM32 ỨNG DỤNG TRONG NHẬN DẠNG HÌNH ẢNH Huỳnh Việt Thắng Trường Đại học Bách Khoa – ĐH Đà Nẵng THÔNG TIN BÀI BÁO TÓM TẮT Ngày nhận bài: 16/5/2021 Sự ra đời của các thiết bị di động thông minh, cùng với sự bùng nổ của các ứng dụng và dịch vụ trên nền tảng Internet dẫn đến sự ra đời Ngày hoàn thiện: 02/8/2021 của mô hình tính toán mới – điện toán biên. Cùng với xu hướng ứng Ngày đăng: 09/8/2021 dụng trí tuệ nhân tạo đang rộng mở hiện nay, triển khai các ứng dụng trí tuệ nhân tạo và học sâu trên nền tảng điện toán biên là một xu TỪ KHÓA hướng nổi bật. Bài báo này sẽ khảo sát khả năng thực thi mô hình học sâu sử dụng mạng nơ-ron tích chập LeNet5 cho các bài toán học sâu Học sâu được triển khai trên các vi điều khiển công suất thấp dựa trên kiến Điện toán biên trúc ARM. Chúng tôi trình bày quá trình thiết kế và thực thi bài toán nhận dạng hình ảnh là chữ số viết tay trên board phát triển STM32. Vi điều khiển STM32 Chúng tôi sử dụng Google Colab và ngôn ngữ Python để huấn luyện MNIST mô hình mạng nơ-ron tích chập, sau đó ánh xạ mô hình đã huấn Internet vạn vật luyện lên thực thi trên board phát triển vi điều khiển STM32F411 với công cụ X-Cube-AI. Kết quả đánh giá thực tế trên phần cứng cho thấy việc thực thi trên vi điều khiển đạt hiệu năng gần tương đương với thực thi trên máy tính đa mục đích. DOI: https://doi.org/10.34238/tnu-jst.4497 Email: thanghv@dut.udn.vn http://jst.tnu.edu.vn 191 Email: jst@tnu.edu.vn TNU Journal of Science and Technology 226(11): 191 - 199 1. Giới thiệu 1.1. Internet vạn vật và điện toán biên Ngày nay, sự bùng nổ của các thiết bị di động cùng các cảm biến thông minh đã mở rộng phạm vi và các ứng dụng dựa trên nền tảng Internet. Internet vạn vật (Internet of Things - IoT) đề cập đến mạng lưới các đối tượng và thiết bị được dùng để thu thập và trao đổi dữ liệu, với số lượng các thiết bị IoT này ngày càng gia tăng. Báo cáo của Cisco [1] dự đoán sẽ có khoảng 15 tỷ thiết bị IoT được kết nối vào năm 2023, ước tính chiếm đến 50% tổng số lượng thiết bị kết nối Internet. Cisco cũng ước tính rằng, gần 850 Zettabyte (ZB) dữ liệu sẽ được tạo ra mỗi năm bên ngoài các dịch vụ đám mây, trong khi lưu lượng trung tâm dữ liệu toàn cầu chỉ khoảng 20,6 ZB [2]. Điều này cho thấy các nguồn dữ liệu cho tính toán dữ liệu lớn đang trải qua một quá trình chuyển dịch: chuyển từ các trung tâm dữ liệu đám mây quy mô lớn sang một loạt các thiết bị được đặt ở biên của mạng, còn gọi là các thiết bị biên hay Edge Device. Lượng dữ liệu khổng lồ được tạo ra bởi các đối tượng này đã thúc đẩy sự ra đời của các giải pháp mới để lưu trữ và phân tích dữ liệu. Trong bối cảnh đó, khái niệm điện toán biên (hay tính toán biên) – Edge Computing – được đề xuất như một mô hình máy tính mới với việc tính toán chủ yếu được thực hiện trên các thiết bị đặt tại biên của mạng, hay là trên các edge device. Điện toán biên giúp giải quyết một số thách thức quan trọng liên quan đến các ứng dụng IoT. Ví dụ, trong các ứng dụng và dịch vụ chăm sóc sức khỏe, trong điều khiển xe tự hành, việc phản hồi nhanh là bắt buộc. ...