一、例程體驗
MAX78000FTHR性能非常強(qiáng)大，今天小結(jié)一下使用此板實現(xiàn)圖片本地智能分析判斷其相似度。雖然官方提供了參考的“cats-dogs”參考例程，但自動動手去完成DIY模型創(chuàng)建，過程還是比較繁瑣，尤其是網(wǎng)絡(luò)必須流暢，很多數(shù)據(jù)都必須通過聯(lián)網(wǎng)拉取相關(guān)組件，其次電腦的配置也得符合一定的要求，否則項目很難開展。
先說說官方提供的“cats-dogs”例程，實現(xiàn)了通過按下SW1則采集圖片，并于創(chuàng)建的模型進(jìn)行對比分析，判斷出圖片的類別。使用VS Code導(dǎo)入工程示例，然后點擊“小錘子”編譯整個工程，在燒錄、運行，打開串口調(diào)試工具，波特率設(shè)置115200，則Console對話框輸出如下信息：
將“USE_SAMPLEDATA”宏定義，然后再次編譯，即可使用用戶自定義的采樣圖片模板，攝像頭對準(zhǔn)被測圖片，按下SW1，則串口輸出AI分析判斷結(jié)果。串口輸出log如下：
二、前期回顧
在實施搭建AI大模型之前，讓我們再來鞏固一下關(guān)于該板卡的一些硬件知識。板卡的硬件框圖如下：
板上的引腳分布如下圖所示：
開發(fā)者可借助該板卡集成的MAX78000 Arm® Cortex® M4F處理器快速實施超低功耗、人工智能(AI)方案，器件集成卷積神經(jīng)網(wǎng)絡(luò)加速器。評估板包括MAX20303 PMIC，用于電池和電源管理。評估板規(guī)格為0.9in x 2.6in、雙排連接器，兼容Adafruit Feather Wing外設(shè)擴(kuò)展板。評估板包括各種外設(shè)，例如CMOS VGA圖像傳感器、數(shù)字麥克風(fēng)、低功耗立體聲音頻CODEC、1MB QSPI SRAM、micro SD存儲卡連接器、RGB指示LED和按鍵。板卡正、背面布局：
要實現(xiàn)某方面圖片的AI判斷識別，因此需要我們?nèi)ニ鸭恍┩悇e的圖片，每種圖片最好在40~50張，并將這些圖片進(jìn)行同一大小的裁剪、篩選。比方說如果要做一個高速路上的標(biāo)志識別項目，可通過Chinese Traffic Sign Database獲取想要的圖片集，如果做動物識別，則搜集多種動物的圖片。
三、預(yù)訓(xùn)練環(huán)境搭建
在github上，官方有提供一些指導(dǎo)性文檔，MaximAI_Documentation有興趣的壇友可移步瀏覽。筆者使用的是Ubuntu 16.04 LTS版本的環(huán)境，首先需要在bash終端中安裝一些依賴庫。
sudo apt-get install -y make build-essential libssl-dev zlib1g-dev \
libbz2-dev libreadline-dev libsqlite3-dev wget curl llvm \
libncurses5-dev libncursesw5-dev xz-utils tk-dev libffi-dev liblzma-dev \
libsndfile-dev portaudio19-dev接著需要安裝pyenv，因為項目中用到Python，可通過以下方法安裝。
curl -L https://github.com/pyenv/pyenv-installer/raw/master/bin/pyenv-installer | bash安裝完以后默認(rèn)目錄是: ~/.pyenv，如果通過此方式獲取失敗，還可以通過git的方式，本人就是通過git工具克隆下來，然后拷貝到Ubuntu中的。
git clone git://github.com/yyuu/pyenv.git ~/.pyenv
pyenv-master.zip 然后文件掛載共享，通過“/mnt/hgfs/MAX78000/”路徑拷貝，使用mkdir ~/.pyenv創(chuàng)建文件夾，并將zip文件通過unzip指令解壓到該文件夾下，使用vim打開~/.bashrc文件，在文件末尾加入以下內(nèi)容：
export PYENV_ROOT="$HOME/.pyenv"
export PATH="$PYENV_ROOT/bin:$PATH"
eval "$(pyenv init --path)"
eval "$(pyenv virtualenv-init -)"保存、退出文件編輯，使用pyenv -v可查看pyenv版本。接著使用指令pyenv install 3.8.11完成python 3.8.11的安裝。
以上完成了Python環(huán)境的安裝，然后需要拉取訓(xùn)練倉庫源碼。
git clone --recursive https://github.com/MaximIntegratedAI/ai8x-training.git
拉取量化倉庫源碼，這個過程比較久，而且需要保證網(wǎng)速穩(wěn)定，否則需要多次嘗試?yán) ?/p>
git clone --recursive https://github.com/MaximIntegratedAI/ai8x-synthesis.git
這樣在~目錄下存有了“ai8x-training”與“ai8x-synthesis”兩個文件夾，正如上面截圖內(nèi)容，依次運行以下指令，可完成虛擬訓(xùn)練環(huán)境與虛擬量化環(huán)境的創(chuàng)建。
進(jìn)入到“ai8x-training”訓(xùn)練文件夾路徑下，依次逐一執(zhí)行以下指令：
#創(chuàng)建訓(xùn)練虛擬環(huán)境
python -m venv venv --prompt ai8x-training
# 激活訓(xùn)練虛擬環(huán)境
source venv/bin/activate
#安裝依賴安裝庫
pip3 install -U pip wheel setuptools
#安裝訓(xùn)練依賴庫
pip3 install -r requirements-cu11.txt進(jìn)入到“ai8x-synthesis”量化文件夾路徑下，依次逐一執(zhí)行以下指令：
#創(chuàng)建量化虛擬環(huán)境
python -m venv venv --prompt ai8x-synthesis
#激活量化虛擬環(huán)境
source venv/bin/activate
#安裝依賴安裝庫
pip3 install -U pip wheel setuptools
#安裝量化依賴庫
pip3 install -r requirements.txt至此已完成了訓(xùn)練與量化環(huán)境的搭建，接下來可以進(jìn)行示例程序的訓(xùn)練與量化。
四、后期實現(xiàn)步驟
預(yù)訓(xùn)練參考官方提供的“cats-dogs”例程搭建訓(xùn)練模型，以下步驟簡略如下：
①、素材準(zhǔn)備（拷貝搜羅到的圖片樣本）
②、訓(xùn)練（通過shell腳本）
③、量化（通過shell腳本）
④、評估（通過shell腳本）
⑤、生成代碼（評估腳本生成的樣本文件來生成代碼）
五、后記
根據(jù)官方提供的“cats-dogs_demo”工程示例來新建一個工程，也可以直接拷貝“cats-dogs_demo”工程。將上述生成的文件直接替換“cats-dogs_demo”工程里的相應(yīng)文件，即可執(zhí)行基本測試代碼。按下sw1按鈕，啟動板上的攝像頭圖片采集，經(jīng)過模型數(shù)據(jù)對比，最終通過顯示屏或串口輸出對比分析結(jié)果。此次分享到此結(jié)束，感謝電源網(wǎng)提供的此次機(jī)會，同時也感謝得捷電子對活動的大力支持。對于AI產(chǎn)品模型設(shè)計，后續(xù)還得繼續(xù)探索研究，理解每層模型參數(shù)的意義，以上的操作都是基于官方提供的網(wǎng)頁文檔來實現(xiàn)，有些細(xì)節(jié)尚未明白，可能是基于Python語言開發(fā)的吧。嘻嘻，時間不早了，晚安！
