开启Vision Board-TensorFlow Lite神经网络之旅

发布于 2024-03-22 16:22:56 浏览：3033 订阅该版

[tocm]

# 开启Vision Board-TensorFlow Lite神经网络之旅
## 1.序言
随着人工智能、神经网络以及机器学习应用的发展，边缘处理的场景越来越多，一些针对IOT设备和嵌入式设备的迁移学习网络应运而生，TensorflowLite就是在这样的情境下诞生。
尽管Tensorflow Lite已经足够小，足够快速，但作为资源非常紧俏的单片机来说，尤其是图像处理，仍有点力不从心。好在Vision Board拥有足够强大的性能，而且外扩了较大的SDRAM作为数据处理内存使用，已基本满足进行一些数据量小，图像素质低的识别要求。

**注意**：本章内容将讲解如何使用edgeimpulse.com网站来自行训练神经网络模型，进而实现机器学习的功能。

##2.Vision Board介绍（Cortex M85内核）
+ 内核：480 MHz Arm Cortex-M85，包含Helium和TrustZone技术
+ 存储：集成2MB/1MB闪存和1MB SRAM（包括TCM，512KB ECC保护）
+ 外设：兼容xSPI的四线OSPI（带XIP和即时解密/DOTF）、CAN-FD、以太网、USBFS/HS、16位摄像头接口和I3C等
+ 高阶安全性：卓越的加密算法、TrustZone、不可变存储、带DPA/SPA攻击保护的防篡改功能、安全调试、安全工厂编程和生命周期管理支持
提供 6.39 CoreMark/MHz 的性能，可支持要求最高计算性能和 DSP 或 ML 功能的苛刻物联网应用

##3.前期准备
下面是本次实验所需要的软件及参考资料：

+ 开发工具：MDK5 V5.3.8，OpenMv IDE V4.0.14
+ Demo 代码：[https://github.com/RT-Thread-Studio/sdk-bsp-ra8d1-vision-board](https://github.com/RT-Thread-Studio/sdk-bsp-ra8d1-vision-board)
+ EDGE IMPULSE网站：[studio.edgeimpulse.com](studio.edgeimpulse.com)
+ 图片素材：[https://github.com/JiaBing912/VisionBoard-Picture-training-material](https://github.com/JiaBing912/VisionBoard-Picture-training-material)
##4.开发环境准备  
本次实验将基于vision_board_openmv Demo进行开发，双击 mklinks.bat 文件，执行脚本后会生成 rt-thread、libraries 两个文件夹。
![1.png](https://oss-club.rt-thread.org/uploads/20240322/44aa3b13ec85f96281ec631454ddc83e.png.webp)
运行env，输入menuconfig，在Enable OpenMV for RT-Thread-->目录下，打开Enable tflite support功能。
![2.png](https://oss-club.rt-thread.org/uploads/20240322/5042d1c7bdc762275f6bf11cd2dcf3f9.png)
保存并退出，输入scons --target=mdk5，重新生成mdk5工程。
![3.png](https://oss-club.rt-thread.org/uploads/20240322/18bde92049e7091223e19dc81a8a715d.png)
![4.png](https://oss-club.rt-thread.org/uploads/20240322/c9fde8c30ecc46227556ca6e252f4846.png)
![5.png](https://oss-club.rt-thread.org/uploads/20240322/6922bb9b6c0feb95e58f8c8c38622823.png)
随后打开mdk5工程，编译，烧录即可。
![6.png](https://oss-club.rt-thread.org/uploads/20240322/211c79029611a54d56c5ae1b228417bd.png.webp)
##5.上传Edge Impulse进行训练
### 5.1注册账号并创建Edge Impulse工程  
打开Edge impluse网站，注册登录。随后在项目标签页创建新项目：

![7.png](https://oss-club.rt-thread.org/uploads/20240322/4369317bd0bfcc008b6b82abfa3f40c2.png.webp)
这里以数字识别为例。

![8.png](https://oss-club.rt-thread.org/uploads/20240322/83a25243d29f7b10e343e5ea8c5063f6.png.webp)
### 5.2上传训练集  
按照以下步骤，依次点击Dashboard->Add existing data->Upload data。（训练集图片样本可从3.前期准备中图片素材中获取，此次实验使用的是mnist_lite文件夹下的手写数字图片样本。）
![9.png](https://oss-club.rt-thread.org/uploads/20240322/90d35f38f5c7b346509c2ae6550c189a.png.webp)
![10.png](https://oss-club.rt-thread.org/uploads/20240322/43cb68f015e329aa8f3dec691ccbfaeb.png.webp)
**注意**：若未在数据集中对图片进行label注释（可参考官方文章），需要手动进行添加标签，或直接选择Enter label进行标签定义；图片素材中的数据集格式为28x28像素bpm文件，EDGE IMPULSE网页不支持BMP及28x28像素格式，需要通过python脚本对图片进行转换。mnist_lite文件夹中已将图片转换为256*256png格式。
###5.3生成特征
点击左侧Impulse design->Create Impulse，依次点击Add a processing block、Add a learning block进行输入数据对象、训练模型的选择，并点击保存。
![12.png](https://oss-club.rt-thread.org/uploads/20240322/dd9aeb8ea601a19d4953ddb03ebfca77.png.webp)  
继续点击左侧Image，Color depth选择RGB，点击保存。接下来会自动跳转到生成特征界面，点击生成特征按钮，等待特征生成，结束后会有三维图像显示。  
![14.png](https://oss-club.rt-thread.org/uploads/20240322/0a13ea76950601d8cb70aa2a6e390048.png.webp)
###5.4迁移训练  
点击左侧Transfer learning按钮，依次设置训练参数：训练周期、学习率等参数。随后选择自己实验最符合的训练模型，点击开始训练。
![15.png](https://oss-club.rt-thread.org/uploads/20240322/0efea6cbf2b70d9b0edca901c047124c.png.webp)
如果最后的结果和准确率不满足自己的实验要求，可尝试重新训练，重新更改参数及训练模型。
![16.png](https://oss-club.rt-thread.org/uploads/20240322/182868fbc33920daaf095d49ea0c3ccb.png.webp)
###5.5在Vision Board上部署  
在左侧点击Deployment，搜素OpenMV library，点击Build，等待固件生成。
![17.jpg](https://oss-club.rt-thread.org/uploads/20240322/3b0c2e813a839bc5740414ca0fe14501.jpg.webp)
将下载下来的压缩文件解压（"trained.tflite"、"labels.txt"、"ei_image_classification.py"），将ei_image_classification.py改名为main.py，随后将3个文件全部复制到sd卡中去（确保sd卡无其他文件）。  
![18.png](https://oss-club.rt-thread.org/uploads/20240322/6a8593359550603ceee7dd6efe36f21c.png)
用type-c线连接Vision Board USB-OTG口，随后将sd卡中的main.py拖入OpenMV IDE中，打开并运行，此时可以在串口终端看见识别的结果及准确率。

![19.png](https://oss-club.rt-thread.org/uploads/20240322/b873c00a17f66ebfe6d6a86d5efcdd04.png.webp)