电子产品世界 » 论坛首页 » DIY与开源设计 » 电子DIY » 【Let'sDo|2026年第3期】基础任务四:anoEdgeAIStudio训

共1条 1/1 1 跳转至页

【Let'sDo|2026年第3期】基础任务四:anoEdgeAIStudio训练、验证与部署操作

菜鸟
2026-11-18 09:13:58     打赏
任务四:NanoEdge AI Studio 训练、验证与部署操作报告

1. 任务对应关系

本报告对应活动要求:

通过 NanoEdge AI Studio 工具对相关数据进行训练并生成可用模型并部署,可分辨不同的运行状态。

2. 当前项目参数

项目当前设置
NanoEdge 版本v5.3.0
项目名称C542-Motor-Stop-Normal-v1
任务类型Classify variations of your signal
目标板NUCLEO-C542RC
内核Cortex-M33
信号类型Time Series / Accelerometer
轴数3 axes
类别stop、normal
采样率标称 100 Hz
输入窗口每轴 256 点,三轴交错共 768 个数值

3. 开始前检查

3.1 文件检查

导入前检查:

  • CSV 不要有表头;

  • 每行必须有 768 个数值;

  • 三轴顺序必须保持 X/Y/Z 交错;

  • 不要导入 dataset.json;

  • 不要把测试集放进 Benchmark;

4. 创建项目

  1. 打开 NanoEdge AI Studio v5.3.0。

  2. 点击 NEW PROJECT。

  3. 选择 Classify variations of your signal。

  4. 项目名称填写 C542-Motor-Stop-Normal-v1。

  5. 目标板选择 NUCLEO-C542RC;如果工具没有该板卡选项,选择与 STM32C542RCT6 资源和 Cortex-M33 约束匹配的自定义配置,并在报告中记录实际选项。

  6. 选择 Accelerometer、Time Series、3 axes。

  7. 设置或记录 RAM 约 32 KiB、Flash 约 160 KiB 的模型预算。

  8. 创建项目并进入 Signals 页面。
    15f117e5d09ebaf70c7ed56ee7777a6f.png

5. 导入两类信号

5.1 导入 stop 类

  1. 在 Signals 页面创建或选择第一类,命名为 stop。

  2. 选择项目内的训练文件:

train/stop.csv
  1. 确认工具显示约 54 lines、768 columns。

  2. 等待导入完成后保存项目。

5.2 导入 normal 类

  1. 创建第二类,命名为 normal。

  2. 选择:

train/normal.csv
  1. 确认同样显示约 54 lines、768 columns。

da330d44e6ab73ba745ac399a9148590.png

6. Benchmark 模型搜索

  1. 进入 Benchmark 页面。

  2. 确认两类信号均已加载,输入维度为 3 轴、每轴 256 点。

  3. 点击开始优化或开始 Benchmark。

  4. 等待搜索完成,不要在搜索过程中关闭后端窗口或杀掉 NanoEdge 进程。

  5. 搜索结束后查看候选模型的准确率、RAM、Flash、延迟和功耗相关指标。

  6. 选择满足目标资源的模型;不能只看准确率,还要核对模型大小和推理时间。

  7. 保存 Benchmark 结果、模型 ID、工具版本和项目备份。
    e2b343d3bb5d376236b08e7bfab32201.png

7. 独立测试集验证

训练搜索完成后进入 Validation 页面。验证必须使用未参与 Benchmark 的测试数据:

test/stop.csv
test/normal.csv

操作步骤:

  1. 选择刚刚保存的候选模型。

  2. 导入测试集 stop.csv,标记为 stop。

  3. 导入测试集 normal.csv,标记为 normal。

  4. 运行 Validation。

image.png

8. Deployment 导出

在 Validation 达到可接受结果后进入 Deployment:

  1. 选择 Cortex-M33 和 GCC 工具链。

  2. 确认浮点选项与板级工程一致;当前工程使用硬浮点编译属性,最终以工具页面和生成库文档为准。

  3. 选择导出模型库和头文件。

  4. 导出 ZIP 或工具要求的部署包。

  5. 将导出的文件复制到活动目录的模型归档目录,不覆盖原始数据。

  6. 保存 NanoEdgeAI.h、libneai.a 或工具实际生成的库文件、metadata.json、资源报告和生成库文档。
    c3a702caaf6472b02f71cb3f8f2674f1.png

9. 接入 STM32 工程

当前工程预留以下 CMake/编译配置入口:

MOTOR_NANOEDGE_INCLUDE
MOTOR_NANOEDGE_LIBRARY
MOTOR_NEAI_STOP_CLASS
MOTOR_NEAI_RUN_CLASS
MOTOR_NEAI_ODR_HZ=100
MOTOR_NEAI_PROBABILITY_SCALE

接入顺序:

  1. 把 NanoEdge 生成的头文件和库放到单独的模型目录。

  2. 在 CMake 中加入 include 路径和静态库链接路径。

  3. 根据真实头文件设置类别数量、类别 ID、输入轴数和窗口长度。

  4. 初始化 NanoEdge 库,检查返回值。

  5. 每收集满一个 256 点窗口后调用分类接口。

  6. 根据实际返回类别读取对应概率,不能固定读取 probabilities[0] 作为当前类别置信度。

  7. 记录类别、置信度、窗口序号和推理耗时。

  8. 连续多个窗口确认后再改变 LED 状态或输出状态文本。

  9. 模型不可用、初始化失败、类别 ID 越界或概率非法时,进入 UNKNOWN,不能把异常结果显示成正常运行。

10. 构建、下载和在线验证

生成库接入后重新构建板级工程,确认:

  • ARM 链接成功;

  • Flash/RAM 没有超预算;

  • 生成库 ABI 与 GCC/浮点属性一致;

  • 串口启动日志出现 MODEL,READY;

  • status 显示模型可用;

  • ai on 不再返回无模型保护错误。

实验结果:
image.png


共1条 1/1 1 跳转至页

回复

匿名不能发帖!请先 [ 登陆 注册 ]