1.前期准备——模型训练环境和驱动程序的安装

本部分参考QeexoAutoML的官方安装指南翻译而成，原文档参考以下链接：

Qeexo AutoML SensorTile.Box安装指南

1.1   安装Python 3.8.8

官方测试可用的版本是Python 3.8.8. QeexoAutoML的前端在浏览器上，但它需要依赖本地的Python环境才可以正常运行。Python 3.8.8下载地址：Python 3.8.8

注意安装时需要勾选设置有关环境变量的选项，如图：

1.2   安装QeexoAutoML

如果Python已安装并且设置好了环境变量，QeexoAutoML应该可以正常被安装。下载地址：QeexoAutoML下载

1.3   安装dfu-util

首先到这里下载dfu-util的可执行文件：https://github.com/GrumpyOldPizza/arduino-STM32L4/tree/master/tools/windows

下载dfu-util.exe之后，需要先在%PROGRAMFILES%新建一个名为dfu-util的文件夹，然后把dfu-util.exe移动至该文件夹中。如图：

1.4   确保SensorTile.box刷回原厂固件

官方固件可以在这里找到：https://www.st.com/en/embedded-software/fp-ai-sensing1.html

1.5   更新DFU驱动

我们使用Zadig来更新USB驱动程序。Zadig下载地址：https://zadig.akeo.ie/

首先让SensorTile.Box进入DFU模式：拔掉电池和USB线，按下板子上的Boot键不放，插入USB线之后再松手释放按键，即可进入DFU模式。成功进入DFU模式后板子上应该没有亮着的灯。

之后在Zadig“选项”中选择“列出所有设备”，在随后出现的菜单中找到STM32 BOOTLOADER。如图：

安装名称为“WinUSB (v6.1.7600.16385)”的驱动程序：

1.6   安装STM32虚拟串口驱动

首先重启芯片，即拔掉再插回USB线以退出DFU模式。

打开设备管理器，检查这里虚拟串口的驱动是否正常，如果没有黄色叹号即可跳过此步骤。

如果驱动不正常，可以到这里下载虚拟串口驱动：STM Virtual COM Port Driver

如果前期的准备工作都做好了之后，接下来的数据收集，特征提取，训练即测试等步骤都可以比较方便地使用我们的开发板了，AutoML这个工具可以完成烧录程序等不少事情，可以使我们专注于机器学习上。

2. 数据收集

在数据收集这一步中，可以通过AutoML选中几个需要收集数据的传感器，设置数据的速率和分辨率，它会自动生成一个专门用于收集数据的STM32程序刷写到开发板中，可谓相当方便。这里我勾选了麦克风，采样率为最大的也就是默认的16kHz.

数据收集程序烧录完成，便可按照网页提示，输入每个分类的标签，然后开始录音了。在我的实验中，我找了一些男人和女人让他们随意说一些内容作为训练数据。

3.特征提取

这里AutoML平台提供了自动特征提取和手动选择，手动特征选择有下面这些可供选择。由于笔者对信号处理相关的知识不是特别了解，就先把这些特征都选择上试试看了。

4. 模型选择与训练

接下来就可以选择想要使用的模型，配置参数并进行训练了，如图所示。训练过程在服务器端完成，含有神经网络的模型可能会花费数小时的时间来完成训练。

5. 测试

训练完成后可以看到该模型的交叉验证的准确率大约为70%，不是特别高，这也与我的训练数据，模型选择，特征选择等都有关系。网站还提供了很多可视化工具，还可以测试部署到开发板上的推理的延时，可谓十分方便。测试效果可以参考视频的后半部分。

6. 总结

完成本项目后，我认为这个开发板的亮点在于，体现了未来嵌入式开发，物联网开发将会越来越方便，图形化操作部分取代代码的趋势。当拿到一个驱动已经完善，工具方便的评估板，要实现什么功能可以用更方便的图形化把大脑里的想法表现出来时，只能说真香。

对于本项目来说，距离实际应用还有很多工作要走，首先在于提升模型的准确度和减小计算量。本示例中用随机森林算法分类延迟为35ms，而采用卷积神经网络却有1000ms的延迟。并且准确率也还不够好，可能需要更加完整的数据集，并且反复调试参数。其次在于打通QeexoAutoML生成的固件与我们实际的需求，也就是说考虑如何把分类结果记录下来，如何再在AutoML训练的基础上继续增加我们想要的功能。

恳请各位读者提出宝贵的意见和建议，笔者微信：Jingyi_Wang2000,邮箱：Jingyi.Wang1903@student.xjtlu.edu.cn