本文主要讲述了如何简单的训练一个深度学习的模型,并把模型放入rtt系统中,让系统运行在嵌入式设备上。
1.准备
开发环境:RT-Thread Studio
开发板:STM32H750-RT-ART-Pi
准备如下文件:
序号 | 名称 | 备注 |
---|---|---|
1 | 硬件以及 BSP | STM32H750-RT-ART-Pi,ART-PI BSP |
2 | 神经网络模型 | ./rt_ai_tools/Model/keras_mnist.h5 |
3 | STM32 AI 插件 | X-CUBE-AI 是 STM32Cube.AI 生态系统的 STM32Cube 扩展软件包的一部分,能够自动转换预训练的神经网络。 |
4 | RT-AK | RT-AK 代码克隆到本地,实现神经网络模型一键部署到BSP |
-
下载
X-CUBE-AI
-
准备
ART-PI BSP
- RT-Thread Studio 创建 ART-PI 教程
-
下载神经网络模型Cifar10.zip和cifar-10-batches-py.tar.gz
-
链接:https://pan.baidu.com/s/1U9LRMH7WAAv2K8ckCvjVYw
提取码:1111
-
-
下载:cifar10_app.c
-
下载链接:https://pan.baidu.com/s/1utMRfUEUpKYivguQM08MJw
提取码:1111
-
1.1 X-CUBE-AI 介绍
X-CUBE-AI
是 STM32Cube.AI
生态系统的 STM32Cube
扩展软件包的一部分,能够自动转换预训练的神经网络。
X-CUBE-AI
下载界面
- TO DO LIST: 最新的版本是
V6.0.0
,目前使用的是V5.2.0
,稍后的版本将会支持V6.0.0
1.2 X-CUBE-AI 安装
下载后的文件夹界面
其中:
stm32ai-windows-5.2.0.zip
是我们所需要,该文件夹里面存放的是X-CUBE-AI
模型转换软件:stm32ai
STMxxx.pack
是STM32Cube.AI
的静态库文件,无需解压,已经存在,位于./rt_ai_tools/platforms/stm32/X-CUBE-AI.5.2.0
解压 stm32ai-windows-5.2.0.zip
。
在这里我将其解压到:D:\Program Files (x86)\stm32ai-windows-5.2.0
,可以在该路径下看见有一个 windows
文件夹。
记下该路径,重要重要重要
1.3训练人工神经网络模型
下载以后,总共有两个文件夹:
第一步:把cifar-10-batches-py.tar.gz,移动至:C:\Users\alslqh\.keras\datasets
(需要根据自己的具体情况看路径,最终存放在.keras\datasets)
第二步:把Cifar10.zip解压至没有中文字符的路径下:例如:D:\rtt\Day2_0718\Cifar10
第三步:输入如下内容启动jupyter编辑器:
会弹出如下内容,注意不要关闭“黑框框”:
第四步:之后会进入网页版python编辑器:
按顺序点击:
运行较长一段时间后会得到我们自己训练的神经网络模型:
生成文件:Cifar10_CNN_0.416.h5(文件名称会略有不同)
1.4模型量化
第一步:在该路径下输入cmd
第二步:自动弹出“黑框框”,然后输入:python keras2tflite_int.py,有如下结果:
第三步:可以看到已成功将Cifar10_CNN_0.416.h5模型量化为:cifar10_uint8.tflite的文件
2. 神经网络模型一键部署到BSP
第一步:把cifar10_app.c拷贝在该目录下D:\RT-ThreadStudio\workspace\art_pi_gc0328c_camera\applications
第二步:在该路径下输入cmd:
第三步:然后输入:python aitools.py --project="D:\RT-ThreadStudio\workspace\art_pi_gc0328c_camera" --model="D:\rtt\Day2_0718\Cifar10\python_codes_and_models\cifar10_uint8.tflite" --model_name="cifar10" --platform=stm32 --ext_tools="D:\rtt\Day2_0718\windows" --clear
可以得到如下内容:
第三步:先点击更新软件包,再点击刷新
可以在applications里找到下面两个文件:
3.编译运行
第一步:点击“小锤子”编译一下
第二步:插上板子,再点击“下载烧录”
第三步:打开串行终端,选择对应端口(端口号可能不一样)
第四步:显示结果如下