本文分享没有AI背景的工程师，在使用NanoEdge AI Studio快速训练风扇异常侦测的模型的方法。

此模型是依马达控制板的电流讯号，侦测风扇滤网的堵塞百分比。当风扇堵塞时，马达的电流讯号波型与一般情况不同，但传统演算法很难侦测到差异。因此，机器学习演算法便成为解决此问题的绝隹选择。在训练模型时，通常会使用scikit-learn函式库，因此，本文将阐述自行训练机器学习模型及使用 STM32Cube.AI 部署到相同装置上的方式，以便使用者比较两者之间的差异。

图一

NanoEdge AI Studio为端对端工具，可预先处理部分资料，再进行训练与媒合演算法；而STM32Cube.AI则会需要工程师具备完整的AI模型开发经验。

硬体与软体前置准备

图二

P-NUCLEO-IHM03马达控制套件用於驱动风扇，是由NUCLEO-G431RB主机板、马达控制扩充板与无刷马达所组成。

在进行软体前置准备时，需先设定Anaconda环境，并安装scikit-learn、pandas和ONNX等必要函式库。

然後，再依建立AI专案的关键步骤，逐步建立以STM32Cube.AI为基础的专案。

首先，使用者需要收集建立机器学习模型所需的资料。在此资料集当中（训练资料集），部分将用於模型训练，典型比例为80%，而另一部分（测试资料集）用於日後评估所建模型的效能，典型比例为20%。

第二步，使用者需要「标记」资料。因为决策树模型是以模型建立者所标记的分类为基础，因此，机器需要知道所收集到之资料的类别，例如「跑步」、「行走」、「静止」等。

分类是指使用者依照其认为重要的属性将资料分组，也就是机器学习领域中的「类别（class）」。

接下来，使用者要利用已准备好的资料集训练机器学习模型，也就是「拟合（fitting）」。此步骤的结果准确度有极大程度取决於资料之内容与数量。

第四步，使用者要将训练完毕的机器学习模型内嵌至系统。若是电脑执行的机器学习，使用者可使用Python函式库直接执行模型；若机器学习位於MCU等装置上，则可在实作前将此函式库转换成C语言程式码；若为MEMS MLC等硬体配线方案，实作前可使用UNICO-GUI专用软体，将函式库先转换为暂存器设定。

最後一步为验证机器学习模型，如果验证结果不符预期，使用者必须确认并改善上述步骤。

图三

首先，先汇入需要的函式库

图四

为了方便比较，这边使用上一次NanoEdge AI Studio训练模型中所使用的资料集。本文作者使用pandas，并从csv档读取资料，并将其用於训练模型。

在开始训练模型前可以先输出（print）资料集的形状以了解内容。

图五

此资料集是由119笔资料所组成，共有128种特徵，且最後一个资料栏为资料标签。

接着，我们将资料集分为训练集及测试集，训练集用以训练模型，占资料集的80%，而测试集是用以检查模型一般化能力，比重为20%。

图六

资料集备妥即可开始训练模型。

图七

训练结束後可在测试集上验证该模型的效能。可以看到，模型在测试集上可达到约83%的准确率。

图八

最後，储存训练後的模型会取得名为random_forest.onnx 的ONNX格式档案。

图九

以下为使用Netron模型可视化工具检视的模型架构：

图十

经过STM32Cube的整合，STM32Cube.AI 使用者能有效率地将模型移转至多样化的STM32微控制器系列中，而且类似模型也同样适用於不同产品，能够在STM32产品组合中轻松移转。

此外挂程式可扩充STM32CubeMX的功能，自动转换预先训练的人工智慧演算法，并将其产生的最隹化资料库整合至使用者专案当中，不需手动撰写程式码，并且能将深度学习解决方案嵌入各种STM32微控制器产品组合中，赋予产品智慧功能。

STM32Cube.AI提供各种深度学习框架的原生支援，例如Keras、TensorFlow Lite、ConvNetJs，也支援像是PyTorch、Microsoft Cognitive Toolkit、MATLAB等，所有可汇出为ONNX标准格式的框架。

此外，STM32Cube.AI还支援来自大量ML开放原始码函式库scikit-Learn的标准机器学习演算法，例如Isolation Forest、支援向量机器（Support Vector Machine，SVM）、k-means。

图十一

现在已经准备好将模型部署至MCU了。本篇采STM32Cube.AI的CLI模式，可使用以下指令将模型转换成最隹化C语言程式码:

Stm32ai generate －m random forest.onnx

若转换成功，以下讯息将会出现。

图十二

在资料夹stm32ai_output中，可以看到下方产生出来的档案。其中，network.c/.h保留模型拓扑的资讯，而network_data.c/.h则会记录模型权重的资讯。

图十三

此时，产生的模型也已经可以整合至STM32专案中。当使用CLI模式时，STM32Cube.AI的执行阶段需要手动新增至专案中，以利呼叫network.h中的函式执行模型。

STM32Cube.AI也有更轻松整合AI模型的方式，若专案是以ioc档案着手，便可将AI模型新增至CubeMX程式码产生阶段，一同产生程式码。

图十四

如下图所示，启用CubeMX的AI功能。

图十五

将AI模型整合至专案当中。

图十六

如此一来，在产生程式码时，AI模型会转译成最隹化C语言程式码，而且STM32Cube.AI执行阶段的对应版本也会一并整合至专案中。

图十七

藉由这样的方式，模型可整合至专案，且不会产生任何差错。从以上两种方法可以发现两者差异在於NanoEdge AI Studio较简易，且更有效率，而STM32Cube.AI则较为灵活、可自订空间较大。