【嵌入式AI入门日记】将 AI 模型移植到 RT-Thread 上

4 L( F; ^9 I% E+ I

以下文章来源于RTThread物联网操作系统 ，作者lebhoryi&summer

“本期我们分享的主题是如何将 AI 模型部署到嵌入式系统中。”

* P+ Q: V4 X5 R5 ^7 O" K

嵌入式关联 AI

AI落地一直是一个很红火的前景和朝阳行业。我的好奇心也比较旺盛，所以关于任何嵌入式和 AI 相关的都是想尝一尝。本系列文章将带你一步一步把 AI 模型部署在嵌入式平台，移植到 RT-Thread 操作系统上，实现你从菜鸟到起飞的第一步甚至第 n 步！

; s( \! j) k: F: U! o  X, t5 ~. L4 R

开发环境：

后续开发过程将基于 STM32H743ZI-Nucleo 开发板，并且使用 STM32CubeMX.AI 工具。它可以基于训练好的 AI Model (仅限 Keras/TF-Lite)，自动生成嵌入式项目工程(包括但是不局限于 MDK、STM32CubeIDE 等)。该工具易于上手，适合嵌入式 AI 入门开发。

STM32CubeMX 是 ST 公司推出的一种自动创建单片机工程及初始化代码的工具，适用于旗下所有 STM32 系列产品，现在其 AI 组件可以提供 AI 模型到嵌入式 C 代码的转换功能。

) L( s4 \$ H* j* d6 _7 x: w3 q

1. 准备工作

8 _! h3 c! F7 a% M

1.1 安装开发环境

笔者用的操作系统是 Ubuntu 18.04。本次实验要用到如下开发工具，软件的安装过程很简单，网上都有很成熟的教程，在此不再赘述。该篇教程同样适用于 Windows 环境，实验步骤完全相同。

STM32CubeMx

STM32CubeIDE

STM32CubeProgrammer

1# Oracle 官网中下载 JavaSE JDK 压缩包
2$ sudo tar zxvf jdk-8u172-linux-x64.tar.gz -C /usr/lib/jvm
) X8 a% \/ U, i! s% B0 p3# 将下载的JDK注册到系统中
4$ sudo update-alternatives --install /usr/bin/java java /usr/lib/jvm/jdk1.8.0_172/bin/java 300
5# 切换JDK
( ~4 ]) s7 X; {$ z7 V6 C6$ sudo update-alternatives --config java
7# 查看JDK 版本
8$ java -version

1.2 在 PC 端搭建极简神经网络

首先将如下开源仓库克隆到本地：

Github: http://github.com/Lebhoryi/Edge_AI/tree/master/Project1

1 H0 }1 {! X( E- Q; a+ f3 F

在本次实验中我选择了最简单的一个线性回归( Linear Regression)Tensor Flow2 Demo 作为示例，模型相关源文件说明如下：

· tf2_linear_regression.ipynb 内含三种不同方式搭建网络结构

· tf2_线性回归_扩展.ipynb 内含不同方式训练模型

其中，在模型搭建的时候，重新温习了一下，有三种方式（各个方式的优缺点已经放在参考文章当中，感兴趣的同学自行查阅）：

· Sequence

· 函数式 API

· 子类

后面将 AI 模型导入到 CubeMx的过程中，如果使用后两种方式生成的网络模型，将会遇到如下报错：

1INVALID MODEL: Couldn't load Keras model /home/lebhoryi/RT-Thread/Edge_AI/Project1/keras_model.h5,
0 g  f$ N/ }4 J. s0 h2error: Unknown layer: Functional

# H0 V, F) l3 B; u# |- e7 g

暂时的解决方式是采用Sequence 方式搭建神经网络，训练好的 AI Model 会被保存为 Keras 格式，后缀为 .h5，例如 keras_model.h5。

示例模型我已经保存好了，大家可以直接下载该模型进行实验，下载地址如下：

http://github.com/Lebhoryi/Edge_AI/tree/master/Project1/model

本次示例所训练的神经网络模型结构如下：

" u, d' [, C% P) l7 B+ c

# G/ p6 F& r& r* f

2. 使用 CubeMX AI 生成工程

在 CubeMX 中选择STM32H743ZI Nucleo 开发板，这里其实不限制开发板型号，常见的

- S8 w) o) x( |3 z

2.1 打开 CubeMX

% T" l. V. R. V7 L; `  N

2.2 安装 CUBE-AI 软件包

打开菜单栏中的 Help，选择Embedded Software Packages Manager，然后在STMicroelectronics 一栏中选择 X-CUBE-AI 插件的最新版本，安装好之后点击右下角的 Close。

在工程中导入 X-CUBE-AI 插件：

* f" R9 u/ d! g

会出现如下界面：

接下来选择用于通信的串口，这里选择串口 3，因为该串口被用于 STlink 的虚拟串口。

' p/ }3 I. q/ E! c

2.3 导入 AI 模型到工程中

  |0 c/ y  f8 k/ C8 M

将 AI 模型烧录到开发板前，需要先分析 Model，检查其是否可以被正常转换为嵌入式工程，本次实验使用的模型比较简单，分析起来也也比较快，结果如下所示：

接下来我们要在开发板上验证转换后的嵌入式工程，在这个过程中 CubeMX AI 工具会根据你导入的 AI 模型，自动生成嵌入式工程，并且将编译后的可执行文件烧录到开发板中，并通过STlink 的虚拟串口验证运行的结果。我的系统是 Ubuntu，不支持 MDK，所以在这里选择自动生成 STM32CubeIDE 工程。

验证成功界面如下所示：

, I4 O1 ^$ G% G

2.4 生成项目工程

上一步我们只是进行了项目结果的验证，但是并没有生成项目源代码，接下来我们将生成项目工程，如下图所示：

6 O& E9 E7 }6 ^# T/ j4 D  x. p; X2 `

  \: Z8 ?! k; y

生成后的 Project 文件夹树如下所示：

1(base) #( 07/03/20@10:51上午 )( lebhoryi@RT-AI ):~/RT-Thread/Edge_AI@master✗✗✗
2   tree -L 2 ./Project1
; t* r+ A+ j% G+ x+ b6 v. C 3./Project1
* w8 A3 }9 ], F& F4 t 4├── DNN  # CubeMX 生成工程路径
5 J. P& x) P  `, s- z. I0 J 5│   ├── DNN.ioc  # CubeMX 类型文件
6 h# _) u! M' W/ }9 ] 6│   ├── Drivers
5 g. r; Q$ h) A5 \. b8 C 7│   ├── Inc
8│   ├── Middlewares
9│   ├── network_generate_report.txt
6 D; `; z6 @; ?( d5 n10│   ├── Src
11│   ├── Startup
12│   ├── STM32CubeIDE
13│   ├── STM32H743ZITX_FLASH.ld
14│   └── STM32H743ZITX_RAM.ld
% T& ?' c! t0 C& L15├── image  # 相关图片保存文件夹
16│   ├── mymodel1.png   # model
2 D8 N$ ]- ~+ m6 p3 `9 T2 O  w17│   └── STM32H743.jpg  # H743
0 v; d% T" p0 G1 e# f1 x# S18├── model  # model 保存路径
3 N( S+ |' ~3 o8 q( P, U19│   └── keras_model.h5
20├── Readme.md
# X9 |$ Q  i9 n* q5 _/ c3 [21├── tf2_linear_regression.ipynb
7 L7 @! _6 v+ _& l6 J22└── tf2_线性回归_扩展.ipynb

, u( Q8 J5 h- G2 {: G4 Q: U

至此，神功练成了一大半，剩下的就是代码调试的工作了。

3. 代码调试

关于 STM32CubeIDE 的初步认识：基础说明与开发流程：http://blog.csdn.net/Naisu_kun/article/details/95935283

3.1 导入工程

选择 File 选项 -->import：

6 f7 k( q6 a4 n/ c  x7 p; H8 a

选择先前导出工程的路径：

  @5 o& [  g% t! E

" Z  _, v4 A! L4 i4 h7 ^$ w+ Z

导入成功的界面如下所示：

# {: o* z+ C0 K  A$ b, G" Y0 R' Z

接下来就可以使用 STM32Cube IDE 来调试生成的工程了。

5 V+ u# R- X1 \' x0 i# T+ m4 \

3.2 生成 bin 文件

在编译的过程中还会自动生成相应的 bin 文件，后续可以通过 stm32cubeProgramer 工具将 bin 文件烧录到开发板中。

3.3 烧录 .bin 文件

打开STM32CubeProgramming，点击右上角connect，然后选择Open file，选择要打开的.bin 文件。

# F4 s; }' Q" X8 K( U1 I3 P

1 V3 e6 x) d' Z

烧录成功的界面：

0 {& F0 r+ f/ X: f0 ]

3.4 Other

在 ubuntu 系统中我们可以使用串口工具cutecom 来查看最终程序的运行结果，程序运行结果如下：

在使用 cutecom 连接串口前，记得断开 STM32Programer 和开发板的连接，否则会出现串口打开错误的情况。

% f- e, E1 u( @# C: {* G1 }

可以看到我们的 AI 模型已经在开发板上欢快地跑了起来 ，奥里给！！！

1 t/ z" I7 X* O1 F0 ]0 K; O

4. 参考文章

  O" q' f. ?. D+ o# Q* ]1 k- E5 q6 b

STM32CubeMX系列教程

Tensorflow 2.0 中模型构建的三种方式:

为什么图片这么模糊

赞一个

学习学习

我想问一下，我打算把运行成功的AI程序移植到我其他的程序里，发现新移植好的程序陷入了汇编指令B，也就是死循环，程序是运行到ai_platform_network_create这个创建网络的函数死了，应该是无法执行到这个函数，请问这个是什么问题呢

还要看运算速度如何。