本文分享沒有AI背景的工程師，在使用NanoEdge AI Studio快速訓練風扇異常偵測的模型的方法。

此模型是依馬達控制板的電流訊號，偵測風扇濾網的堵塞百分比。當風扇堵塞時，馬達的電流訊號波型與一般情況不同，但傳統演算法很難偵測到差異。因此，機器學習演算法便成為解決此問題的絕佳選擇。在訓練模型時，通常會使用scikit-learn函式庫，因此，本文將闡述自行訓練機器學習模型及使用 STM32Cube.AI 部署到相同裝置上的方式，以便使用者比較兩者之間的差異。

圖一

NanoEdge AI Studio為端對端工具，可預先處理部分資料，再進行訓練與媒合演算法；而STM32Cube.AI則會需要工程師具備完整的AI模型開發經驗。

硬體與軟體前置準備

圖二

P-NUCLEO-IHM03馬達控制套件用於驅動風扇，是由NUCLEO-G431RB主機板、馬達控制擴充板與無刷馬達所組成。

在進行軟體前置準備時，需先設定Anaconda環境，並安裝scikit-learn、pandas和ONNX等必要函式庫。

然後，再依建立AI專案的關鍵步驟，逐步建立以STM32Cube.AI為基礎的專案。

首先，使用者需要收集建立機器學習模型所需的資料。在此資料集當中（訓練資料集），部分將用於模型訓練，典型比例為80%，而另一部分（測試資料集）用於日後評估所建模型的效能，典型比例為20%。

第二步，使用者需要「標記」資料。因為決策樹模型是以模型建立者所標記的分類為基礎，因此，機器需要知道所收集到之資料的類別，例如「跑步」、「行走」、「靜止」等。

分類是指使用者依照其認為重要的屬性將資料分組，也就是機器學習領域中的「類別（class）」。

接下來，使用者要利用已準備好的資料集訓練機器學習模型，也就是「擬合（fitting）」。此步驟的結果準確度有極大程度取決於資料之內容與數量。

第四步，使用者要將訓練完畢的機器學習模型內嵌至系統。若是電腦執行的機器學習，使用者可使用Python函式庫直接執行模型；若機器學習位於MCU等裝置上，則可在實作前將此函式庫轉換成C語言程式碼；若為MEMS MLC等硬體配線方案，實作前可使用UNICO-GUI專用軟體，將函式庫先轉換為暫存器設定。

最後一步為驗證機器學習模型，如果驗證結果不符預期，使用者必須確認並改善上述步驟。

圖三

首先，先匯入需要的函式庫

圖四

為了方便比較，這邊使用上一次NanoEdge AI Studio訓練模型中所使用的資料集。本文作者使用pandas，並從csv檔讀取資料，並將其用於訓練模型。

在開始訓練模型前可以先輸出（print）資料集的形狀以瞭解內容。

圖五

此資料集是由119筆資料所組成，共有128種特徵，且最後一個資料欄為資料標籤。

接著，我們將資料集分為訓練集及測試集，訓練集用以訓練模型，佔資料集的80%，而測試集是用以檢查模型一般化能力，比重為20%。

圖六

資料集備妥即可開始訓練模型。

圖七

訓練結束後可在測試集上驗證該模型的效能。可以看到，模型在測試集上可達到約83%的準確率。

圖八

最後，儲存訓練後的模型會取得名為random_forest.onnx 的ONNX格式檔案。

圖九

以下為使用Netron模型可視化工具檢視的模型架構：

圖十

經過STM32Cube的整合，STM32Cube.AI 使用者能有效率地將模型移轉至多樣化的STM32微控制器系列中，而且類似模型也同樣適用於不同產品，能夠在STM32產品組合中輕鬆移轉。

此外掛程式可擴充STM32CubeMX的功能，自動轉換預先訓練的人工智慧演算法，並將其產生的最佳化資料庫整合至使用者專案當中，不需手動撰寫程式碼，並且能將深度學習解決方案嵌入各種STM32微控制器產品組合中，賦予產品智慧功能。

STM32Cube.AI提供各種深度學習框架的原生支援，例如Keras、TensorFlow Lite、ConvNetJs，也支援像是PyTorch、Microsoft Cognitive Toolkit、MATLAB等，所有可匯出為ONNX標準格式的框架。

此外，STM32Cube.AI還支援來自大量ML開放原始碼函式庫scikit-Learn的標準機器學習演算法，例如Isolation Forest、支援向量機器（Support Vector Machine，SVM）、k-means。

圖十一

現在已經準備好將模型部署至MCU了。本篇採STM32Cube.AI的CLI模式，可使用以下指令將模型轉換成最佳化C語言程式碼:

Stm32ai generate –m random forest.onnx

若轉換成功，以下訊息將會出現。

圖十二

在資料夾stm32ai_output中，可以看到下方產生出來的檔案。其中，network.c/.h保留模型拓撲的資訊，而network_data.c/.h則會記錄模型權重的資訊。

圖十三

此時，產生的模型也已經可以整合至STM32專案中。當使用CLI模式時，STM32Cube.AI的執行階段需要手動新增至專案中，以利呼叫network.h中的函式執行模型。

STM32Cube.AI也有更輕鬆整合AI模型的方式，若專案是以ioc檔案著手，便可將AI模型新增至CubeMX程式碼產生階段，一同產生程式碼。

圖十四

如下圖所示，啟用CubeMX的AI功能。

圖十五

將AI模型整合至專案當中。

圖十六

如此一來，在產生程式碼時，AI模型會轉譯成最佳化C語言程式碼，而且STM32Cube.AI執行階段的對應版本也會一併整合至專案中。

圖十七

藉由這樣的方式，模型可整合至專案，且不會產生任何差錯。從以上兩種方法可以發現兩者差異在於NanoEdge AI Studio較簡易，且更有效率，而STM32Cube.AI則較為靈活、可自訂空間較大。