发布日期：2020-03-09
这是STM32人工智能合作伙伴介绍系列的第一集, 我们会在以后的几个月里陆续为大家曝光多家STM32生态的公司和产品, 希望能为大家的开发带来更多的创意和灵感！
我们介绍的第一家便是在嵌入式圈子已经小有名气的OpenMV （国内由星瞳科技代理）。
下面整理了OpenMV 智能摄像头模组的各个版本在硬件和功能上的差异。
硬件差异
版本 | 主控芯片 | 主频 | 内置RAM/Flash | 外置RAM/Flash | 默认摄像头模组 |
OpenMV2 Cam M4(停产) | STM32F427VG | 180MHz | 256KB/1MB | 无/无 | OV7725 |
OpenMV3 Cam M7 | STM32F765VIT6 | 216MHz | 512KB/2MB | 无/无 | OV7725 |
OpenMV4 Cam H7 | STM32H743VIT6 | 480MHz | 1MB/2MB | 无/无 | OV7725 (可更换) |
OpenMV4 Cam H7 Plus (最新发售) | STM32H743II | 480MHz | 1MB/2MB | 32MB/32MB | OV5640 （像素更大，可更换） |
功能差异
版本 | 传统机器视觉 | AI | ||
颜色/眼部追踪 | 特征检测（图形、数字、模板、光流、面部、人形） | 扫码识别 (条形码、二维码、矩形码)和标记跟踪 | TensorFlow-Lite | |
OpenMV2 Cam M4(停产) | Y | Y | N | N |
OpenMV3 Cam M7 | Y | Y | Y | Y（部分例程受限于RAM） |
OpenMV4 Cam H7 | Y | Y | Y | Y（部分例程受限于RAM） |
OpenMV4 Cam H7 Plus (最新发售) | Y | Y | Y | Y |
具体功能介绍和最新发售的OpenMV4 Cam H7 Plus优点请点击。
https://mp.weixin.qq.com/s/Fjzr04z9szvuDZiqdjfBWQ
下面重点介绍下OpenMV的最新固件版本v3.5.0对TensorFlow-Lite 的支持。
大家肯定会问，TensorFlow-Lite跟OpenMV之前实现的传统机器视觉算法（比如追踪、检测和识别）有什么区别呢?
首先TensorFLow-Lite 是TensorFLow为嵌入式设备优化的版本，采用机器学习中的深度学习算法（20岁小伙子），跟传统的机器视觉算法（70岁老大爷）比还很年轻。
好处在于你不需要根据特定应用来手工设计特征（你需要对特定领域和数据特别了解），但是缺点就是需要大量的数据集作为训练的素材。
当然STM32和OpenMV一起为MCU开发者提供了一系列工具来减轻用户的工作量。
（下面提到的神经网络是深度学习的主要模型）
具体到机器视觉，第1到3需要用户自主完成，从第4步开始借助Cube.AI来完成从预训练模型到C代码的转换，而OpenMV则在生成的AI库基础上添加了一层可以通过microPython调用的包装。
具体的例子可以参考，
https://github.com/openmv/openmv/tree/master/src/stm32cubeai
如果想要学习怎么使用Cube.AI，可以参考下面系列课程
https://c.51diantang.com/coursedetail?id=a8f58d8f5f8442cb9d66b3d74cef9221
