Update readme

CubeIDE/stm32h_cam_AI2/README.md

@@ -1,4 +1,4 @@
-Пример 2 X-CUBE.AI для CubeMX IDE <br>
+Пример 2 X-CUBE.AI для CubeMX IDE.<br>
 Пакет X-CUBE-AI расширяет функциональные возможности среды STM32CubeMX, добавляя в нее автоматический генератор библиотеки
 нейронной сети. Этот генератор преобразует файлы моделей предварительно обученных нейронных сетей, формируемые различными
 фреймворками глубокого обучения (такими как Caffe, Keras, Lasagne, TensorFlow™ Lite и ConvNetJs), в оптимизированную по
@@ -10,16 +10,16 @@
 - X-CUBE-AI версии 8.0.0; <br>
 - клиентское API нейронной сети версии 1.2.0;<br>
 - утилита командной строки версии 1.7.0.<br>
-Предварительно обученная DL-модель Keras, используется в данном примере.
+Предварительно обученная DL-модель Keras, используется в данном примере.<br>
 <br>
-Второй пример использования X-CUBE.AI. Используется нейросеть обученная на распозование кошка или собака.
+Второй пример использования X-CUBE.AI. Используется нейросеть обученная на распознавание кошки или собаки (2 класса).
 Нейросеть имеет на входе картинку 80х80х3, где первые два числа ширина и выстота обрабатываемого изображения,
-3 это RGB компоненты цвета.Камера выдает картинку 160х160 пикселей и при формировании входного массива нейросети
-используется прореживание точек (берется каждая вторая точка по вертикали и горизонтели). Этот метод не является оптимальным,
+3 это RGB компоненты цвета. Камера выдает картинку 160х160 пикселей и при формировании входного массива нейросети
+используется прореживание точек (берется каждая вторая точка по вертикали и горизонтали). Этот метод не является оптимальным,
 лучше использовать алгоритм сжатия, который усредняет соседние точки.<br>
 Для этого примера используется изображение 160х160 точек с камеры и из него берется каждая вторая точка и получается
-изображение размером 80х80 пикселей (что соответсвует входам обученной модели нейросети).<br>
-Кнопка SELECT - ставит процесс распознования на паузу. Кнопка ENTER показывает/выключает рамку на изображении которая
+изображение размером 80х80 пикселей (что соответствует входам обученной модели нейросети).<br>
+Кнопка SELECT - ставит процесс распознавания на паузу. Кнопка ENTER показывает/выключает рамку на изображении которая
 указывает область обработки нейросетью.<br>
 Внизу экрана выводится какой классы с определенными вероятностями по обоим классам (cat/dog).<br>
 также внизу экрана выводится частота обновления кадров.<br>
@@ -28,14 +28,14 @@
 кварца и установка его частоты на 25 МГц.В противном случае пример не будет работать. Также после новой генерации кода
 необходимо закоментировать вызовы MX_X_CUBE_AI_Process() и MX_X_CUBE_AI_Init(), в примере им написаны альтернативы.
 <br>
-Создание нейросети с входами 80х80 точек/<br>
-<img src="https://github.com/pav2000/STM32H743_OV2640/blob/main/CubeIDE/stm32h_cam_AI2/picture/cat_dog_80x80.jpg" width="480" /> <br>
+Создание нейросети с входами 80х80 точек.<br>
+<img src="https://github.com/pav2000/STM32H743_OV2640/blob/main/CubeIDE/stm32h_cam_AI2/picture/cat_dog_80x80.jpg" width="640" /> <br>
 Использование X-CUBE.AI (используемая память)<br>
 <img src="https://github.com/pav2000/STM32H743_OV2640/blob/main/CubeIDE/stm32h_cam_AI2/picture/cube01.jpg" width="480" /> <br>
 <img src="https://github.com/pav2000/STM32H743_OV2640/blob/main/CubeIDE/stm32h_cam_AI2/picture/cube02.jpg" width="480" /> <br>
 Результаты работы на целевом устройстве - пример распознования двух классов<br>
-<img src="https://github.com/pav2000/STM32H743_OV2640/blob/main/CubeIDE/stm32h_cam_AI2/picture/dog01.jpg" width="480" /> <br>
-<img src="https://github.com/pav2000/STM32H743_OV2640/blob/main/CubeIDE/stm32h_cam_AI2/picture/cat01.jpg" width="480" /> <br>
+<img src="https://github.com/pav2000/STM32H743_OV2640/blob/main/CubeIDE/stm32h_cam_AI2/picture/dog01.jpg" width="360" /> <br>
+<img src="https://github.com/pav2000/STM32H743_OV2640/blob/main/CubeIDE/stm32h_cam_AI2/picture/cat01.jpg" width="360" /> <br>
 <br>
 <br>