آموزش پیاده ‌سازی مدل‌ یادگیری ماشین روی میکروکنترلر STM32 با هوش مصنوعی TinyML + گواهینامه

هوش مصنوعی TinyML چیست؟

TinyML، حوزه‌ای نوظهور و هیجان‌انگیز در تلاقی دو دنیای هوش مصنوعی و سیستم‌های نهفته (Embedded Systems) است و به معنی یادگیری ماشین در مقیاس کوچک است و به اجرای مدل‌های هوش مصنوعی روی میکروکنترلرها و سخت‌افزارهای با توان پردازشی و مصرف انرژی پایین اشاره دارد.

میکروکنترلرهای STM32 چیست؟

میکروکنترلرهای STM32 خانواده‌ای از میکروکنترلرهای پیشرفته و پرکاربرد هستند که توسط شرکت STMicroelectronics تولید می‌شوند و بر پایه هسته ARM Cortex طراحی شده‌اند. این میکروکنترلرها با توان پردازشی بالا، مصرف انرژی کم و امکانات گسترده‌ای مانند مبدل‌های آنالوگ به دیجیتال، رابط‌های ارتباطی (I2C ،SPI ،UART ،USB)، تایمرها و واحدهای کنترل موتور شناخته می‌شوند. STM32 در مدل‌های مختلف و برای کاربردهای متنوعی مانند سیستم‌های تعبیه‌شده، اینترنت اشیا (IoT)، رباتیک، کنترل صنعتی و تجهیزات پزشکی مورد استفاده قرار می‌گیرد. همچنین، پشتیبانی نرم‌افزاری قوی از طریق محیط‌هایی مانند STM32CubeIDE و HAL Library باعث شده است تا یادگیری و توسعه پروژه‌ها با این میکروکنترلرها برای مهندسان و دانشجویان الکترونیک آسان‌تر و کارآمدتر باشد.

اهمیت یادگیری هوش مصنوعی TinyML در میکروکنترلرهای STM32 چیست؟

یادگیری هوش مصنوعی TinyML در میکروکنترلرهای STM32 به مهندسان و پژوهشگران این امکان را می‌دهد که الگوریتم‌های یادگیری ماشین را مستقیما روی دستگاه‌های کوچک و کم‌مصرف اجرا کنند. ترکیب توان پردازشی STM32 با قابلیت‌های TinyML باعث می‌شود سیستم‌هایی طراحی شوند که بتوانند داده‌ها را به‌صورت محلی تحلیل کرده و بدون نیاز به ارتباط دائم با سرور یا اینترنت تصمیم‌گیری کنند. این موضوع در حوزه‌هایی مانند اینترنت اشیا، پایش سلامت، کنترل صنعتی، رباتیک و تشخیص صدا یا تصویر کاربرد فراوانی دارد. یادگیری TinyML روی میکروکنترلرهای STM32 در واقع گامی مهم به‌سوی ساخت دستگاه‌های هوشمند سریع‌تر، کم‌هزینه‌تر و کارآمدتر است که می‌توانند در محیط‌های واقعی عملکردی مستقل و هوشمند از خود نشان دهند.

در این فرادرس چه چیزی یاد می‌گیریم؟

در این آموزش ابتدا با TinyML، مفهوم آن و نقش کلیدی‌اش در اجرای مدل‌های یادگیری ماشین روی سخت‌افزارهای سبک مانند میکروکنترلرها آشنا می‌شویم. سپس مزایا، محدودیت‌ها و کاربردهای واقعی TinyML در حوزه‌هایی نظیر اینترنت اشیا، کنترل صنعتی و سلامت بررسی می‌شود و ابزارها و کتابخانه‌های ضروری برای شروع معرفی می‌گردند. در ادامه، مبانی یادگیری ماشین و شبکه‌های عصبی شامل مفاهیمی مانند یادگیری نظارت‌شده و بدون‌نظارت، رگرسیون، طبقه‌بندی، ساختار نورون‌ها و لایه‌ها، توابع فعال‌سازی و مراحل طراحی یک مدل یادگیری ماشین آموزش داده می‌شود. پس از آن، یک پروژه عملی در Google Colab اجرا می‌شود که طی آن با استفاده از TensorFlow Lite مدلی برای تخمین تابع سینوس طراحی، آموزش و به فرمت قابل‌استفاده در میکروکنترلرها تبدیل می‌شود. در مرحله بعد، مدل ایجادشده با کمک STM32CubeMX و افزونه X.CUBE.AI به میکروکنترلر STM32 منتقل می‌گردد، عملیات inference در محیط KEIL پیاده‌سازی می‌شود و خروجی مدل تحلیل می‌گردد تا هنرجو با روند کامل توسعه و استقرار یک پروژه TinyML از ایده تا اجرا آشنا شود.

• فصل یکم: مقدمه‌ای بر TinyML و ابزارهای مورد نیاز
  • درس ۱: آشنایی با TinyML
• فصل دوم: مبانی یادگیری ماشین و شبکه‌های عصبی
  • درس ۲: تفاوت یادگیری ماشین و برنامه‌نویسی سنتی
  • درس ۳: معرفی شبکه‌های عصبی – نورون‌ها، لایه‌ها، وزن‌ها و بایاس
  • درس ۴: توابع فعال‌سازی، تابع هزینه و مفاهیم Epoch و Batch Size
  • درس ۵: الگوریتم پس‌انتشار و بهینه‌ساز
  • درس ۶: مراحل عمومی پیاده‌سازی پروژه یادگیری ماشین
  • درس ۷: مفاهیم کم‌برازش و بیش‌برازش
• فصل سوم: ساخت و آموزش مدل در Google Colab
  • درس ۸: معرفی پروژه عملی – تخمین تابع سینوس
  • درس ۹: آشنایی با محیط Google Colab
  • درس ۱۰: شروع برنامه‌نویسی پایتون و مراحل اولیه
  • درس ۱۱: نصب کتابخانه‌های ضروری
  • درس ۱۲: تولید داده‌های آموزشی
  • درس ۱۳: چگونگی تقسیم داده‌ها
  • درس ۱۴: تقسیم داده‌ها در Google Colab
  • درس ۱۵: مراحل ایجاد و آموزش مدل
  • درس ۱۶: ساخت مدل در Google Colab
  • درس ۱۷: آموزش مدل در Google Colab
  • درس ۱۸: ارزیابی مدل با داده‌های تست
  • درس ۱۹: آماده‌سازی مدل برای میکروکنترلر
  • درس ۲۰: تبدیل مدل به فرمت tflite
• فصل چهارم: پیاده‌سازی TinyML روی STM32
  • درس ۲۱: معرفی STM32CubeMX و افزونه X.CUBE.AI
  • درس ۲۲: آشنایی با گزینه Device Application
  • درس ۲۳: افزودن مدل به پروژه STM32 و تنظیمات لازم
  • درس ۲۴: تولید پروژه، اضافه کردن printf و تنظیمات Logic Analyzer
  • درس ۲۵: بررسی کد تولیدشده توسط X.CUBE.AI
  • درس ۲۶: کدنویسی برای اجرای inference
  • درس ۲۷: نمایش و تحلیل خروجی در نرم‌افزار KEIL
• فصل پنجم: راهنمایی ادامه مسیر
  • درس ۲۸: جمع‌بندی و نتیجه مباحث
  • درس ۲۹: ادامه یادگیری