黑芝麻A1000-Ubuntu20.04（四）深度学习工具链bsnntool及自带案例模型转换过程

一、 宿主机安装bstnnx docker环境

(具体细节参考黑芝麻资料网站中的《深度学习工具链安装教程bsnn 4.1.0》)
登陆黑芝麻官网，下载toolchain docker 转换工具链，这里我下载的是bsnn_release_4.2.0。（该版本已集成auto_dal和auto_ptq）。

1.导入镜像

将bsnn_release_4.2.0中的所有文件下载到主目录中的toolchain文件夹中，进入终端导入image:

docker load -i ./bsnn_tools_docker_4.2.0.tar

2.创建容器

load成功后，创建container(有很多方法)，黑芝麻推荐的是：

./run_docker_container.sh --root --keep --network=host

但是我运行会报错，所以用的是系统推荐的方法：

docker exec -it bsnn-tools-container-stk-4.2.0 /bin/bash
或者
docker exec -it bsnn-tools-container-stk-4.2.0 bash

3.使用jupyter

该工具编译还可以直接用jupyter，查询 jupyter 服务：

jupyter notebook list

“ tocken=” 后的字符串为 jupyter 登录密码
打开浏览器，输入http://0.0.0.0:8370，在刷新的界面中，
输入：be2ec6aae21bc8bd9272a7a97a67a087bd52eb2c00ab6d0a
Log in

4.申请license文件

给黑芝麻技术支持团队写邮件，提供Linux系统的MAC地址，申请license文件。将得到一个license.lic文件。
Linux系统的MAC地址查询： ifconfig
我的是enp0s31f6（每个电脑略有差别），MAC地址：00:be:43:b8:40:1b

5.部署License文件

将申请到的License文件拷贝到bstnnx docker环境中，指令：docker cp ./license.lic 你container的名称:/workspace/license.lic
这里我是：

docker cp license.lic bsnn-tools-container-stk-4.2.0:/workspace/license.lic

修改/workspace/tools/Net-FW/utilities/script/xtensa_setup.sh文件中

export XTENSAD_LICENSE_FILE='/workspace/license.lic'

至此，基于toolchain docker 转换工具链bsnn_release_4.2.0的bstnnx docker环境就安装完成。
同样bsnn-tools-container-stk-4.2.0可以用VS code打开，为了方便快捷，以后我都从VS code中运行容器。（如果不知道怎么运行，请参考我关于黑芝麻A1000主题的第二篇文章）

二、自带案例模型转换

bsnn-tools-container-stk-4.2.0中内置了一个样例sample
为了防止后续操作不当破坏了sample，所以这里我将其拷贝到其他文件夹进行转换部署。

1.拷贝

将sample拷贝到同目录下的models中

2.修改test1.yaml

修改sample/test1.yaml中的model_path、input_data_set_path、image_process_config路径：

并在priority: 1100上添加：

XTSC_NET_SIM: True
generate_rbf_only: True

3.转换模型

在容器中运行：

bstnnx_run --config models/sample/test1.yaml --result_dir output/hwGenTest3

结果：

cd /workspace/output/hwGenTest3/1100_HardwareTestingStage/test1_mini_model.20240905091923.hw_test_config，该文件夹是模型量化结果输出的路径。

其中，weights.bin及fw_integration中.lib .meta 共三个，是后期编写cmake工程和开发板端运行的重要文件。

4.（因为黑芝麻的深度学习系列的都是基于SDK V2.3.1.2版本进行的，建议将开发板中的SDK烧录为V2.3.1.2版本，具体参考另一篇专门写烧录的文章）

5.如果开发板烧录的SDK版本较低，是需要安装nndeploy相关组件，安装请参考另一篇。这里我烧录了V2.3.1.2版本，该版本不需要。

6.测试模型量化是否成功

/workspace/output/hwGenTest3/1100_HardwareTestingStage/test1_mini_model.20240905091923.hw_test_config该路径下有三个shell脚本:run_dsp.sh, run_dsp_lite.sh, run_perf.sh,这三个脚本是 用于 dsp baremetal 测试。（具体说明查看黑芝麻资料网站中的《深度学习工具链安装教程bsnn 4.1.0》）

USB连接宿主机和A1000

1）evb_util 文件拷贝到开发板

将docker image 内/workspace/tools/Net-FW/utilities/evb_util 文件夹复制到宿主机

docker cp bsnn-tools-container-stk-4.2.0:/workspace/tools/Net-FW/utilities/evb_util /home/stk/heizhima

bsnn-tools-container-stk-4.2.0为 docker containter name

再从宿主机将evb_util push 到嵌入式A1000板子上

adb push evb_util /home/root

登陆A1000开发板，执行

source /home/root/evb_util/env.sh

2）.hw_test_config 文件拷贝到开发板

将1100 stage 路径下生成的 test1_mini_model.20240905091923.hw_test_config 文件夹 push 到板子。
先将其从容器中拷贝到宿主机:

docker cp bsnn-tools-container-stk-4.2.0:/workspace/output/hwGenTest3/1100_HardwareTestingStage/test1_mini_model.20240905091923.hw_test_config /home/stk/heizhima

再将其从宿主机拷贝到A1000：

adb push test1_mini_model.20240905091923.hw_test_config /home/root

3）执行run_dsp.sh

执行run_dsp.sh

cd /home/root/test1_mini_model.20240905091923.hw_test_config 
./run_dsp.sh

出现

Memory dump complete
test PASS.

说明模型转化成功。

如果出现错误，查询黑芝麻资料《深度学习工具链安装教程bsnn 4.1.0》文档。