[STM32U5]【NUCLEO-U575ZI-Q测评】使用轻量级AI推理框架TinyMaix实现手写数字识别

最新推荐文章于 2024-05-29 15:42:43 发布

21ic电子工程师

最新推荐文章于 2024-05-29 15:42:43 发布

阅读量1k

点赞数 2

分类专栏： C 嵌入式基础知识文章标签： stm32 人工智能单片机

原文链接：https://bbs.21ic.com/icview-3289936-1-1.html

版权

嵌入式基础知识同时被 2 个专栏收录

1884 篇文章 251 订阅

订阅专栏

31 篇文章 0 订阅

订阅专栏

一、TinyMaix简介

TinyMaix是国内sipeed团队开发一个轻量级AI推理框架，官方介绍如下：

TinyMaix 是面向单片机的超轻量级的神经网络推理库，即 TinyML 推理库，可以让你在任意单片机上运行轻量级深度学习模型。

根据官方介绍，在仅有2K RAM的 Arduino UNO(ATmega328, 32KB Flash, 2KB RAM) 上，都可以基于 TinyMaix 进行手写数字识别。对，你没有看错，2K RAM + 32K Flash的设备上都可以使用TinyMaix进行手写数字识别！TinyMaix官网提供了详细介绍，可以在本文末尾的参考链接中找到。

首先，我们看看这次试用的NUCLEO-U575ZI-Q开发板主控芯片——STM32U575ZIT6QU的主要参数：

CPU： Cortex-M33内核，160 MHz
Flash： 2 MB
RAM： 786 KB

所以，在我们这次试用的主角NUCLEO-U575ZI-Q开发板上运行TinyMaix完全是没有任何压力的。

接下来，我将介绍如何为STM32U575移植TinyMaix框架，以及如何运行手写数字识别示例。

1.1 TinyMaix开源项目

TinyMaix项目源码时以 Apache-2.0协议开源的，

GitHub代码仓：https://github.com/sipeed/tinymaix

1.2 TinyMaix核心API

TinyMaix框架对上层应用程序提供的核心API主要位于代码仓的tinymaix.h文件中，核心API如下：

/******************************* MODEL FUNCTION ************************************/
tm_err_t tm_load  (tm_mdl_t* mdl, const uint8_t* bin, uint8_t*buf, tm_cb_t cb, tm_mat_t* in);   //load model
void     tm_unload(tm_mdl_t* mdl);                                      //remove model
tm_err_t tm_preprocess(tm_mdl_t* mdl, tm_pp_t pp_type, tm_mat_t* in, tm_mat_t* out);            //preprocess input data
tm_err_t tm_run   (tm_mdl_t* mdl, tm_mat_t* in, tm_mat_t* out);         //run model

/******************************* UTILS FUNCTION ************************************/
uint8_t TM_WEAK tm_fp32to8(float fp32);
float TM_WEAK tm_fp8to32(uint8_t fp8);

/******************************* STAT FUNCTION ************************************/
#if TM_ENABLE_STAT
tm_err_t tm_stat(tm_mdlbin_t* mdl);                    //stat model
#endif

主要分为三类：

模型函数，包括模型加载、卸载、预处理、推理；
工具函数，包含FP32和uint8的互转；
统计函数，用于输出模型中间层信息；

这里的模型，通常是预训练模型经过脚本转换生成的TinyMaix格式的模型；

另外，TinyMaix还提供了单独的层函数，用于实现单层计算功能，可以通过这些函数，用C代码的形式编写出一个模型。

/******************************* LAYER FUNCTION ************************************/
tm_err_t tml_conv2d_dwconv2d(tm_mat_t* in, tm_mat_t* out, wtype_t* w, btype_t* b, \
    int kw, int kh, int sx, int sy, int dx, int dy, int act, \
    int pad_top, int pad_bottom, int pad_left, int pad_right, int dmul, \
    sctype_t* ws, sctype_t in_s, zptype_t in_zp, sctype_t out_s, zptype_t out_zp);
tm_err_t tml_gap(tm_mat_t* in, tm_mat_t* out, sctype_t in_s, zptype_t in_zp, sctype_t out_s, zptype_t out_zp);
tm_err_t tml_fc(tm_mat_t* in, tm_mat_t* out,  wtype_t* w, btype_t* b, \
    sctype_t* ws, sctype_t in_s, zptype_t in_zp, sctype_t out_s, zptype_t out_zp);
tm_err_t tml_softmax(tm_mat_t* in, tm_mat_t* out, sctype_t in_s, zptype_t in_zp, sctype_t out_s, zptype_t out_zp);
tm_err_t tml_reshape(tm_mat_t* in, tm_mat_t* out, sctype_t in_s, zptype_t in_zp, sctype_t out_s, zptype_t out_zp);
tm_err_t tml_add(tm_mat_t* in0, tm_mat_t* in1, tm_mat_t* out, \
    sctype_t in_s0, zptype_t in_zp0, sctype_t in_s1, zptype_t in_zp1, sctype_t out_s, zptype_t out_zp);

1.3 TinyMaix底层依赖

TinyMaix可以简单理解为一个矩阵和向量计算库，目前已支持如下几种计算硬件：

#define TM_ARCH_CPU         (0) //default, pure cpu compute
#define TM_ARCH_ARM_SIMD    (1) //ARM Cortex M4/M7, etc.
#define TM_ARCH_ARM_NEON    (2) //ARM Cortex A7, etc.
#define TM_ARCH_ARM_MVEI    (3) //ARMv8.1: M55, etc.
#define TM_ARCH_RV32P       (4) //T-head E907, etc.
#define TM_ARCH_RV64V       (5) //T-head C906,C910, etc.
#define TM_ARCH_CSKYV2      (6) //cskyv2 with dsp core
#define TM_ARCH_X86_SSE2    (7) //x86 sse2

对于ARM-Cortex系列MCU，可以支持纯CPU计算和SIMD计算。其中CPU计算部分无特殊依赖（计算代码均使用标准C实现）。SIMD部分，部分计算代码使用了C语言内嵌汇编实现，需要CPU支持相应的汇编指令，才可以正常编译、运行。

TinyMaix的示例代码依赖于精准计时和打印输出能力，具体是项目的tm_port.h中的几个宏定义：

#define  TM_GET_US()       ((uint32_t)((uint64_t)clock()*1000000/CLOCKS_PER_SEC))

#define TM_DBGT_INIT()     uint32_t _start,_finish;float _time;_start=TM_GET_US();
#define TM_DBGT_START()    _start=TM_GET_US();
#define TM_DBGT(x)         {_finish=TM_GET_US();\
                            _time = (float)(_finish-_start)/1000.0;\
                            TM_PRINTF("===%s use %.3f ms\n", (x), _time);\
                            _start=TM_GET_US();}

二、计时和打印支持
2.1 创建CubeMX项目

首先，打卡STM32CubeMX，通过“Access to board selector”进入开发板选择界面。

在开发板选择界面中，首先在左上角Commercial Part Number中输入NUCLEO-U575ZI-Q，此时右下角的开发列表将会只有一个NUCLEO-U575ZI-Q开发板。然后，鼠标点击NUCLEO-U575ZI-Q开发板所在行，选中此款开发板。最后，点击右上角的Start Project按钮。

弹出“Initialize all peripherals with their default Mode?”对话框，选择Yes继续。然后，弹出的TrustZone选择对话框，选择without TrustZone actived，点击OK继续。

此时，已进入CubeMX的配置界面，按Ctrl+S或通过File->Save Project菜单可将当前CubeMX配置保存为独立的ioc文件。

2.2 使用CubeMX生成Keil项目

选择NUCLEO-U575ZI-Q开发板后，可以在CubeMX中看到，默认已经将主控芯片STM32U575ZIT6的PA9、PA10引脚分别配置为USART1_TX、USART1_RX功能，如下图所示：

查阅原理图，可以看到板载STLink的串口和主控芯片的PA9、PA10已连接：

因此，我们可以通过板载STLink接收USART1的输入和输出。

在CubeMX中，切换到Project Manager标签页，将Minimum Heap Size和Minimum Stack Size的值分别修改为：0x8000（32K）和0x2000（8KB）。

接下来，点击Code Generator，然后：

STM32Cube MCU packages and embedded software packs中，选择Copy only the necessary library files（只拷贝必要的库文件）；
Generated files中，选择Generate peripheral initialization as a pair of '.c/.h' filers per peripheral（每个外设的初始化生成独立的.c/.h文件对）；

接下来，点击右上角的Generate Code，开始生成代码。

生成的Keil项目中，文件结构如下：

为了方便调试，在调试器设置中，勾选Reset and Run，如下图所示：

2.3 添加printf打印支持

生成代码后，在项目的Target配置界面中，勾选Use MicroLIB，如下图所示：

然后，在项目的usart.c代码文件中，添加如下代码：

int fputc(int ch, FILE* f)
{
  (void) f;

  uint8_t data[] = {ch};
  if (HAL_UART_Transmit(&huart1, data, sizeof(data), 1000) != HAL_OK)
  {
    return EOF;
  }

  return ch;
}

添加完如上代码后，将项目可以支持printf打印。
2.4 基本功能测试

接下来，修改main.c文件，将其中的while循环代码修改为：

  /* Infinite loop */
  /* USER CODE BEGIN WHILE */
  while (1)
  {
    HAL_GPIO_WritePin(LED_RED_GPIO_Port, LED_RED_Pin, GPIO_PIN_RESET);
    HAL_Delay(1000);
    printf("Low\r\n");

    HAL_GPIO_WritePin(LED_RED_GPIO_Port, LED_RED_Pin, GPIO_PIN_SET);
    HAL_Delay(1000);
    printf("High\r\n");
    /* USER CODE END WHILE */

    /* USER CODE BEGIN 3 */
  }
  /* USER CODE END 3 */

重新编译整个项目，烧录，将会看到红色LED闪烁。

CubeMX中，默认的USART1参数配置为：

使用串口助手，打开STLINK的虚拟串口，波特率设置为115200，既可以看到printf的打印输出：

三、TinyMaix移植3.1 添加TinyMaix源码

接下来，克隆TinyMaix源码：

git clone https://github.com/sipeed/TinyMaix.git

在CubeMX生成的文件夹中创建TinyMaix，并将TinyMaix开源代码的include、src、example目录拷贝到该目录中。

然后在Keil的项目视图中，使用Add Group菜单添加源码组，如下图所示：

然后，将新创建的组重命名为TinyMaix，如下图所示：

然后，通过右键Add Exists Files to Group 'TinyMaix'菜单，将刚刚拷贝过来的src目录的.c文件添加到该组中，如下图所示：

3.2 解决TinyMaix编译问题

此时直接编译源码，会出现一些找不到tinymaix.h的编译报错，需要按照如下步骤处理：

右键TinyMaix-U575打开Options for Target 'TinyMaix-U575'配置窗口；
点击C/C++标签页，找到Include paths栏；
点击Include paths栏右侧的“...”按钮，弹出Setup compiler include paths界面；
在此界面中，将项目的TinyMaix/include子目录添加到搜索路径列表中。

完成上述步骤后，仍然无法编译通过，会有如下编译报错：

我们需要修改这段代码：

将其修改为如下代码段：

#include "stm32u5xx_hal.h"
#define TM_GET_MS()         HAL_GetTick()
#define TM_DBGT_INIT()      uint32_t _start, _finish; int _time; _start = TM_GET_MS();
#define TM_DBGT_START()     _start = TM_GET_MS();
#define TM_DBGT(x)          _finish = TM_GET_MS(); \
                            _time = (_finish - _start); \
                            TM_PRINTF("===%s use %d ms\n", (x), _time); \
                            _start = TM_GET_MS();

PS：CubeMX默认生成的项目的Tick频率为1000Hz，1个Tick即为1毫秒；

3.3 添加手写数字识别示例

TinyMaix项目的examples目录下，每个目录是一个独立的示例程序。其中，minst目录即为手写数字识别示例的代码。

由于TinyMaix的examples目录内有多个main.c文件，并且每个main.c中都有一个main函数。另外，CubeMX生成的项目本身已经有了main.c文件，以及对应的main函数。

因此，如果直接将这些文件添加到项目中，会导致编译错误。所以，接下来首先需要进行如下修改：

将mnist目录内的main.c重命名为mnist_main.c；
将该文件中的main函数重命名为mnist_main；

完成以上修改之后，使用类似前面的方法，将mnist_main.c文件添加到TinyMaix源码组中：

最后，修改main.c，在while循环之前添加两行代码，分别声明和调用minst_main函数：

  int mnist_main(int argc, char** argv);
  mnist_main(0, 0);

完成以上修改后，编译、烧录、运行，将会在STLink虚拟串口中看到如下输出：

可以看到，成功识别了手写数字。

四、原理解读4.1 手写数字识别示例源码

mnist_main.c文件中，开始的几行用于根据tm_port.h中定义的数据使用对应的模型：

#if TM_MDL_TYPE == TM_MDL_INT8
#include "../../tools/tmdl/mnist_valid_q.h"
//#include "../../tools/tmdl/mnist_resnet_q.h"
#elif TM_MDL_TYPE == TM_MDL_FP32
#include "../../tools/tmdl/mnist_valid_f.h"
//#include "../../tools/tmdl/mnist_resnet_f.h"
#elif TM_MDL_TYPE == TM_MDL_FP16
#include "../../tools/tmdl/mnist_valid_fp16.h"
#elif TM_MDL_TYPE == TM_MDL_FP8_143
#include "../../tools/tmdl/mnist_fp8_143.h"
#elif TM_MDL_TYPE == TM_MDL_FP8_152
#include "../../tools/tmdl/mnist_fp8_152.h"
#endif

这些.h文件是由tflite2tmdl.py脚本生成的TinyMaix模型，mnist_valid_f模型的转换命令为：

python3 tflite2tmdl.py tflite/mnist_valid_f.tflite tmdl/mbnet_fp8.tmdl fp8_152 1 28,28,1 10

接下来定义了一个数组，uint8_t mnist_pic[28*28]，保存一张测试图片，数组每个元素对应一个像素的灰度值。

接下来，mnist_main中使用模型，主要使用了一下几个TinyMaix的API：

tm_stat 打印模型结构等信息；
tm_load 将模型加载到内存；
tm_preprocess 输入数据预处理；
tm_run 模型推理，得到输出；
tm_unload 模型卸载，释放内存；

使用起来还是非常简单的，具体接口参数和返回值可以参考TinyMaix代码注释。

本篇内容就到这里了，感谢你的阅读，下次再会。
---------------------
作者：xusiwei1236
链接：https://bbs.21ic.com/icview-3289936-1-1.html
来源：21ic.com
此文章已获得原创/原创奖标签，著作权归21ic所有，任何人未经允许禁止转载。

21ic电子工程师

关注

2
点赞
踩
17

收藏

觉得还不错? 一键收藏
0
评论
[STM32U5]【NUCLEO-U575ZI-Q测评】使用轻量级AI推理框架TinyMaix实现手写数字识别

TinyMaix 是面向单片机的超轻量级的神经网络推理库，即 TinyML 推理库，可以让你在任意单片机上运行轻量级深度学习模型。因此，如果直接将这些文件添加到项目中，会导致编译错误。此文章已获得原创/原创奖标签，著作权归21ic所有，任何人未经允许禁止转载。还提供了单独的层函数，用于实现单层计算功能，可以通过这些函数，用。，保存一张测试图片，数组每个元素对应一个像素的灰度值。完成以上修改之后，使用类似前面的方法，将。完成以上修改后，编译、烧录、运行，将会在。
复制链接

扫一扫