本手写识别演示可以识别字符，包括字母和数字。 演示的典型使用场景是智能手表，用户可以快速编写特定命令（例如聊天、打电话、邮件等）或输入文本消息。 也可以用这种方式与智能设备进行交互。
方法
手写识别演示能够识别在STM32L562E MCU探索套件小型触摸屏（智能手表）上写下的字母和数字。
- 触摸屏以图像形式被捕获，然后通过神经网络 (NN) 进行分类
- 每个字符或字母都被识别为特定命令的组合
- 本演示在STM32L562E探索套件上运行，每个字符都有与之对应的NN推理时间
借助 STM32 Model Zoo，可以 对模型进行再训练。
传感器
数据
数据集
在 STM32 模型 zoo 中，模型是在 EMNIST数据集的子集版本上训练的。
在本实验中，MatLab 版本的 EMNIST ByClass 数据集中只保留了十位数类[0;9] 和字母表中的大写字母[A-Z] 。
在演示中， 数据集使用了从意法半导体板上的触摸屏上捕获的图像。
数据格式
数据集由以下部分组成
数据集包含36个平衡类别的28 x 28像素灰度图像。
在 STM32 模型 zoo 中，模型是在 EMNIST数据集的子集版本上训练的。
在本实验中，MatLab 版本的 EMNIST ByClass 数据集中只保留了十位数类[0;9] 和字母表中的大写字母[A-Z] 。
在演示中， 数据集使用了从意法半导体板上的触摸屏上捕获的图像。
数据格式
数据集由以下部分组成
- 从A到Z的大写字母
- 从0到9的数字
数据集包含36个平衡类别的28 x 28像素灰度图像。
结果
模型 意法半导体MNIST
输入大小： 28x28x1
存储器占用：
浮点模型：
38 Kbytes闪存，用于权重
30 Kbytes RAM，用于激活
量化模型：
10Kbytes 闪存用于权重
14 Kbytes RAM 用于激活
精确度
浮动模型： 93.48%
量化模型： 93.39%
110 MHz时的STM32L562E性能
浮动模型：
推断时间： 83 毫秒
帧频： 12 帧/秒
量化模型：
推断时间： 29 毫秒
帧频： 34 帧/秒
混淆矩阵
资源 
![ST EDGE AI MODEL ZOO]()
![ST EDGE AI MODEL ZOO]()
![STM32Cube.AI]()
![STM32Cube.AI]()
![STM32L4、L5、U5、H7系列]()
![STM32L4、L5、U5、H7系列]()
模型库 ST EDGE AI MODEL ZOO
一系列经过优化的参考AI模型，可在附带相关部署脚本的意法半导体器件上运行。Model Zoo是一种宝贵的资源，可用于为嵌入式应用增添边缘AI功能。
优化工具 STM32Cube.AI
X-CUBE-AI是一个免费的STM32Cube扩展包，可帮助开发人员将预训练的AI算法（例如神经网络和机器学习模型）自动转换为经过优化的STM32 C代码。
兼容 STM32L4、L5、U5、H7系列
STM32系列32位微控制器基于Arm Cortex®-M处理器，旨在为MCU用户提供新的开发自由度。它包括一系列产品，集高性能、实时功能、数字信号处理、低功耗/低电压操作、连接性等特性于一身，同时还保持了集成度高和易于开发的特点。