为了在图像分类中获得满意的结果，通常需要完成费时费力的数据采集和注释任务。 迁移学习技术可以减少添加新类所需的图像数量和训练时间，借此成功应对这一挑战。 在本用例中，我们将这一技术应用于花卉分类，但它还可以扩展到许多其他用例。
方法
在 STM32 Model Zoo可以找到所需的所有模型，您可以用自己的数据对模型进行训练和再训练
该解决方案使用一种名为“迁移学习”的技术快速训练深度学习模型，来完成图像分类
该模型可以通过STM32 Model Zoo的Python脚本轻松部署在 STM32H747探索套件上
演示的用例基于花卉识别。
传感器
视觉：摄像头模块捆绑包（参考： B-CAMS-OMV）
数据
数据集 花朵识别数据集（授权许可 CC BY 2.0）
数据格式
5 类花：雏菊、蒲公英、玫瑰、向日葵、郁金香
RGB 彩色图像
结果
模型MobileNetV2 alpha 0.35
输入大小：128x128x3
内存占用：
406.86 KB闪存 ，用于权重
224.5 KBRAM，用于激活
精确度
浮动模型： 86.78%
量化模型： 86.38%
STM32H747（高频）上的性能 @ 400 MHz
推断时间： 110.27 ms
帧频： 9.0 帧/秒
混淆矩阵
资源 
![ST EDGE AI MODEL ZOO]()
![ST EDGE AI MODEL ZOO]()
![STM32Cube.AI]()
![STM32Cube.AI]()
![STM32H7系列]()
![STM32H7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 STM32H7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。