データの収集と注釈付けは、満足のいく画像分類結果を得るには面倒で時間のかかる作業になることが多くあります。 転移学習手法により、新しいクラスを追加するのに必要な画像数と学習時間を削減することで、この課題を克服できます。 ここでは花の分類に応用しますが、他の多くのユース･ケースに適用可能です。
アプローチ
- STM32 Model zooは、ユーザ独自のデータに基づく学習や再学習に必要なものをすべて提供します。
- このソリューションは、「転移学習」と呼ばれる手法を用いて画像分類用ディープ･ラーニング･モデルを素早く学習させます。
- このモデルは、STM32H747ディスカバリ･キットとSTM32 Model zoo Pythonスクリプトを使用して容易に実装可能です。
- 紹介するユース･ケースは花認識に基づいています。
センサ
画像：カメラ･モジュール･バンドル（リファレンス･ボード：B-CAMS-OMV）
データ
データセット：花認識用データセット（ライセンス：CC BY2.0）
データフォーマット：
5クラスの花：ヒナギク、タンポポ、バラ、ヒマワリ、チューリップ
RGBカラー画像
結果
モデル：MobileNetV2 alpha 0.35
入力サイズ：128 x 128 x 3
メモリ･フットプリント：
使用Flashメモリ：406.86KB（重みデータ）
使用RAM：224.5KB（アクティベーション･バッファ）
精度：
浮動小数点モデル：86.78%
量子化モデル：86.38%
性能（高性能マイコンSTM32H747 @ 400MHz使用時）
推論時間：110.27ms
フレームレート：9.0fps
