致小白的K210模型训练与运用

致小白的K210模型训练与运用

---

前言

由于我也是刚接触K210不久，并且对python没有太多的了解，但是又想自己训练模型，于是花了挺多的时间在找寻简单的模型训练方法，本来是在几天前就找到了简单的模型训练方法，但是后来在使用的过程中出了点问题，直到今天才把问题勉强解决。所以写下本文来记录一下我所使用的K210模型训练方法，希望能给和我一样的小白一些帮助

---

提示：以下是本篇文章正文内容，下面案例可供参考

一、模型训练方法

1.使用MixHub平台进行训练
2.使用Mx-yolov3自己搭建平台进行训练

二、详细介绍

1.使用MixHub平台进行训练

详细方法可以看：MixHub训练使用说明
（1）数据集的准备
首先我们需要确定我们是要进行目标分类还是目标检测
目标分类是没有框的，只能识别该物体的种类，不能给出该物体的具体位置信息，效果如下

而如果是目标检测的话是有框的，可以给出物体的具体位置信息，并且框出来，效果如下图

这里以目标分类为例，具体的可以看MixHub训练使用说明

首先我们准备一个数据集文件夹，格式如下：

然后我们使用image_tool来将图片转换成224*224格式

转换好之后会多出一个文件夹

将cat和dog文件夹删除将cat_out和dog_out改成cat和dog。得到下图

然后压缩成ZIP格式

打开MixHub训练平台
填入邮箱和机器码，选择分类目标识别，机器码是通过将一个固件下入Maix bit或者其他sipeed的K210获得的。

再上传数据集，也就是刚刚的ZIP格式文件，点击开始训练

然后就等着就行，等训练好了就会将下载连接发到你的邮箱中

下载好了之后就是一个这样的压缩包

解压开之后就有以下文件

第一个boot.py是测试代码，第二个labels.txt是种类，第三个m.kmodel是模型文件
接下来将上面所有文件放入U盘中，即可看到效果

2.使用Mx-yolov3自己搭建平台进行训练

首先得感谢袁运强老师制作的Mx-yolov3
软件获取方法import创客公众号回复Mx3
软件的详细介绍也可以看公众号里的文件，在这里我以我使用过程中的问题以及解释做一下说明
这里也以物体分类为例
首先我们将MX3下载下来

然后双击Mx_yolov3安装，得到一个Mx_yolov3的文件夹

首先我们打开环境配置文件夹，双击环境配置.exe


然后按照步骤一步一步来就行，特别注意的是第三步的那二个一定要装，不然模型训练的会很慢
接下来我们以物体分类为例
首先我们找到Mx_yolov3文件夹中的example文件，将它复制到桌面

接着我们打开Mx-yolov3,找到图像识别

接着点选择找到刚刚的example文件夹

然后点击提取，将Alpha设置为0.75

接着点开始训练，等待即可，注意的是如果这里没有开GPU加速，训练要很久

训练好了模型之后我们再来测试一下模型
点击测试模型，然后找到所训练的模型位置

测试好了之后这里可以看到模型的效果

接下来是最后一步，也是最重要的一步
模型转换！！！
就是这一步，卡了我五天
我们输入路径选择tflite文件，输出文件任意设置，再选择量化图片，量化图片的路径如下


接着点击开始转换
如果你的结果是这样的

出现了模型转换成功，那么恭喜你，可以直接跳到最后一步了
如果你的结果是下图中的这样，或者是其他模型转换错误的情况，那么你得继续看接下来的步骤，尝试一下

尝试一、将参数设置成如下图

然后将图片用他自带的那个猫狗分类的例子，再重复上面的步骤试一下，看看能不能成功。
我测试发现生成的模型比较大的可以转换成功，如下图

生成的模型比较小的会转换失败，如下图

而调整模型的大小是调Alpha这个参数，参数越小，模型越小，效果越差，参数越大，模型越大，效果越好。

如果你按上述方法尝试了之后发现还是模型转换失败，那么你可能得用第二个方法了
找到Mx-yolov3文件夹中的NNcase 0.2这个文件夹

双击打开

设置和0.1版本的一样，点击转换即可

用0.2版本的转换一般都是可以成功的，但是用0.2版本的转换有一个问题，那就是转换出来的是V4的模型，而用0.1版本转换出来的是V3的模型。

3.V3模型

V3模型，也就是之前用nncase 0.1版本转换出来的模型
首先找到自己训练的模型，将下图中的二个文件放在SD卡中

注意将classnames这个文件名改成classes
再将下图中的boot.py文件也放入SD卡中

接下来将SD卡插入K210，然后给K210通电，就可以看到效果了。

4.V4模型

如果你是用nncase0.2的转换的，那么就是V4模型，V4模型出了上述步骤之外，还有二个地方做更改，一个是固件，固件要找一个支持V4版本的固件，固件可以在Sipeed 固件库找到

注意的是这个固件是连不了IDE的，这个是我测试过的，还有下面这个，我没有测试过，不过应该也是可以用的，支持IDE和V4的

除了固件需要更改，那个示例代码boot.py也需要更改一下改成下面的代码

代码如下（）：

import sensor
import math
import machine
import lcd
import KPU as kpu

sensor.reset()
sensor.set_pixformat(sensor.RGB565)
sensor.set_framesize(sensor.QVGA)
sensor.run(1)
sensor.skip_frames(10)
sensor.set_windowing((224,224))
sensor.set_vflip(0)
lcd.init(freq=15000000,color=0x0000)
KPU = kpu.load('/sd/weights.kmodel')
success = kpu.set_outputs(KPU,0,1,1,2)
f=open("classes.txt","r")
labels_txt=f.read()
labels = labels_txt.split(",")
f.close()
while True:
     img = sensor.snapshot()
     plist = kpu.forward(KPU,img)[:]
     pmax = max(plist)
     max_index = plist.index(pmax)
     pgoods = labels[max_index]
     print("No.{} is {}".format(pgoods, pmax))
     lcd.display(img)
     lcd.draw_string(48,224,"NO: {} {}{}".format(pgoods, round(pmax,2)*100,"%"),lcd.WHITE,lcd.GREEN)

也就是加了一句success = kpu.set_outputs(KPU,0,1,1,2)
这一句的主要作用是设置输出层形状，具体的意思不大清楚，我试着参数像这样填是可以运行的

这一句的具体说明可以看KPU的说明

---

其他的步骤和V3的一致，将必要文件和boot.py放入SD卡中即可运行，但是效果是卡卡的和PPT一样