- 将nnom项目放入了CNN目录方便python环境安装
- README中添加了清华镜像源安装环境的命令
- 采样频率调整至100HZ
- 卷积层从4层修改为2层
- 卷积和池化的步长修改为3
- 使用了新的训练数据（每种20个）
- 识别精度得到了提升（效果优于之前每种100个数据的模型）
此项目是Cyberry Potter Electromagic wand魔杖的基础工程，这个工程并不是一个完整的魔杖，只是在魔杖开发过程中的一个片段，通过这个项目你可以用最简单易取得的硬件在Stm32上部署一个卷积神经网络动作分类模型，而不需要专门制作电路板或采购一些特别的模块。你可以在这个项目中亲自训练模型，然后将模型部署在嵌入式设备上，然后根据模型输出执行不同的功能，我认为这是一个很好的学习机会。
已经实现的功能有：
项目使用的嵌入式机器学习库来自nnom
实验用原理图：
项目视频教程：Bilibili
在使用过程中出现问题可以在Bilibili私信我
或者联系我的邮箱：[email protected]
魔杖技术交流群QQ：698619917
完整的魔杖现已完成，请参考链接：Cyberry_Potter_Electromagic_Wand
- STM32f103c8t6最小系统板
- MPU6050模块
- 按键
- 5个LED灯（推荐添加1K-10K的限流电阻以保护眼睛）
- 串口转TTL模块（e.g.CH340）
本项目可以识别12种动作（法术），你可以将法术打印成卡片来练习法术，图片存放在了这里
-
首先需要安装一个anaconda
- 创建一个python3.9环境
conda create --name py39_env python=3.9- 激活环境
conda activate py39_env- 切换到工程目录的CNN文件夹
cd /path/to/your/directory/CyberryPotter_ElectromagicWand_Basic_Project/CNN- 安装项目依赖
pip install -r requirements.txt- 使用清华镜像源：
pip install --index-url https://pypi.tuna.tsinghua.edu.cn/simple -r requirements.txt
-
keil版本：keil5(请使用keil官网下载的最新版keil否则可能会遇到一些问题)
-
编译器版本:Arm Compiler6.22
-
根据你的设备选用ST-Link或其他设备作为调试器
-
项目在打开keil是可能会需要安装一些库，请根据提示安装
编译报错：C:/Users/xxx/AppData/Local/arm/packs/Keil/STM32F1xx_DFP/2.4.1/Device/StdPeriph_Driver/src/misc.c:131:11: error: no member named 'IP' in 'NVIC_Type'
这是项目使用到的STM32F1XX_DFP2.4.1版本库存在的一个问题，这个有问题的文件安装在以下目录，默认是只读的，请在这个目录下将其只读选项取消勾选 C:/Users/xxx/AppData/Local/arm/packs/Keil/STM32F1xx_DFP/2.4.1/Device/StdPeriph_Driver/src/misc.c
（AppData文件夹默认是隐藏的，请先设置显示隐藏文件）
请将device库中将misc.c文件里的上述代码（131行）修改为 NVIC->IPR[NVIC_InitStruct->NVIC_IRQChannel] = tmppriority;
- 使用脚本收集数据
- 首先需要将config.h文件中的SYSTEM_MODE_DATA_COLLECT解除注释
- 完成以上操作后单片机将进入数据打印模式而非推理模式
- 运行模型训练脚本
- 运行训练脚本你将得到一个.h5的模型文件和一个.h的c头文件
- .h5文件用于在串口模型测试脚本对未量化的模型进行测试
- .h文件是单片机用于编译模型所需要的文件
此项目目前已经实现了动作识别的功能，并没有对其他功能进行开发，你可以在此工程的基础上对魔杖进行进一步开发