为了获得满意的图像分类结果，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。 在本则用例中，这一技术被应用于野外火灾检测，不仅能够检测有无火灾，还可以应用于许多其他情况.
方法
- 本教程介绍如何使用一种名为 "迁移学习 "的技术来快速训练深度学习模型，从而对图像进行分类。
- 本教程基于计算机视觉功能包FP-AI-VISION1
传感器
数据
数据集 用于森林火灾探测的数据集（授权许可 CC BY 4.0）
数据格式
2 个类别：有火和无火
RGB 图像 250x250x3
结果
模型MobileNetV2 alpha 0.35
输入大小：128x128x3
内存占用：
403 KB闪存 ，用于权重
225 KBRAM，用于激活
精确度
浮动模型： 98%
量化模型： 98%
STM32H747（高频）上的性能 @ 400 MHz
推断时间： 112 ms
帧频： 8.9 帧/秒
资源 ![STM32Cube.AI]()
![STM32Cube.AI]()
![STM32H7系列]()
![STM32H7系列]()
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。