测评分享 | 如何在先楫HPM6750上运行轻量级AI推理框架TinyMaix

cathy的头像
cathy 发布于：周四, 12/22/2022 - 10:22 ，关键词：

本期内容由先楫开发者社区大咖@xusiwei1236分享基于先楫HPM6750的轻量级AI推理框架，赶紧来瞧瞧~

一、TinyMaix是什么？

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。

甚至在 Arduino ATmega328 (32KB Flash, 2KB RAM) 上都能基于 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链接。

二、TinyMaix移植

本节介绍如何将TinyMaix移植到HPM6750，详细步骤如下：

2.1 开发环境搭建

先楫官方支持SDK开发环境和RT-Thread开发环境，两种开发环境的搭建方法均可在官方提供的开发板用户手册（HPM6750EVKMINI USER GUIDE.pdf 或 HPM6750EVK USER GUIDE.pdf 文件）中找到，也可以参考我此前发布的帖子，具体见本文最后的参考链接。

考虑到TinyMaix对于现已支持的MCU，基准测试都是基于裸机进行的，因此这里使用的是HPM SDK开发环境。另外，基于裸机的移植在RTOS环境下一般也可以运行。因此，对于MCU芯片的计算类开源项目的移植（例如这里的TinyMaix），最好是基于裸机进行。

使用的HPM SDK版本为0.14.0，使用的SEGGER Embedded Studio版本信息为：

SEGGER Embedded Studio for RISC-VRelease 6.40 Build 2022102501.51567Windows x64© 2014-2022 SEGGER Microcontroller GmbH© 1997-2022 Rowley Associates Ltd.segger-cc: version 15.0.0segger-ld: version 4.36.0segger-rtl: version 4.20.0GCC/BINUTILS: built using the GNU RISC-V Toolchain version GCC 12.20/Binutils 2.39 source distributionClang/LLVM: built using the version 15.0.0 source distribution

2.2 TinyMaix移植步骤

由于TinyMaix本身的源代码文件不多，整个移植过程相对还是比较简单的。

整体基本上分为三步：

  • 目录规划；
  • 修改源码；
  • 编译运行；

下面介绍具体操作步骤。

2.2.1 目录规划

考虑到TinyMaix和hpm_sdk都是使用CMake构建的，为了不对TinyMaix进行过多侵入性修改，这里采取的策略是——添加一个中间层。具体是将HPM6750平台的CMakeLists.txt文件放在TinyMaix源码目录的上一层，如下所示：
hpm_sdk/app/├── CMakeLists.txt     # HPM6750平台的CMakeLists.txt├── src│   └── benchmark.c└── TinyMaix/          # TinyMaix源码目录

2.2.2 修改源码

这里在src/benchmark.c文件内容如下：

#include <stdio.h>
#include "board.h"
#define MODEL_MNIST 1
#define MODEL_CIFAR10 2
#define MODEL_VWW 3
#define MODEL_MBNET 4
#define CONFIG_MODEL MODEL_CIFAR10 // 修改这一行切换 测试程序

#define main benchmark_main
#if (CONFIG_MODEL == MODEL_MNIST)
#include "mnist/main.c"
#elif (CONFIG_MODEL == MODEL_CIFAR10)
#include "cifar10/main.c"
#elif (CONFIG_MODEL == MODEL_VWW)
#include "vww/main.c"
#elif (CONFIG_MODEL == MODEL_MBNET)
#include "mbnet/label.c"#include "mbnet/main.c"
#endif
#undef main

int main(void)
{
    board_init();
 printf("benchmark start...\n");
     benchmark_main(0, NULL);    
     __asm__("wfi");
return 0;
}

为了不直接拷贝基准测试代码，简化代码结构，这里使用了不太常见的：

直接#include 某个.c文件；

在#include "xxx/main.c"前面，定义宏#define main benchmark_main，之后取消宏定义；

这样实现了将TinyMaix原有的测试代码作为benchmark.c一部分，而又不与这里的main函数相冲突的目的。

PS：这里为了简便，并没有把TinyMaix放到hpm_sdk的middleware目录，实际项目中使用的话最好将TinyMaix放到middleware目录。

另外，还需要修改`tm_port.h文件：

diff --git a/include/tm_port.h b/include/tm_port.h
index 357fc6b..5d1768c 100644
--- a/include/tm_port.h+++ b/include/tm_port.h
@@ -31,7 +31,7 @@ limitations under the License.
#define TM_OPT_LEVEL    TM_OPT0
#define TM_MDL_TYPE     TM_MDL_INT8
#define TM_FASTSCALE    (0)         //enable if your chip don't have FPU, may speed up 1/3, but decrease accuracy
-#define TM_LOCAL_MATH   (0)         //use local math func (like exp()) to avoid libm
+#define TM_LOCAL_MATH   (1)         //use local math func (like exp()) to avoid libm
#define TM_ENABLE_STAT  (1)         //enable mdl stat functions
#define TM_MAX_CSIZE    (1000)      //max channel num //used if INT8 mdl  //cost TM_MAX_CSIZE*4 Byte
#define TM_MAX_KSIZE    (5*5)       //max kernel_size   //cost TM_MAX_KSIZE*4 Byte
@@ -49,9 +49,10 @@ limitations under the License.
#define TM_DBGL()      TM_PRINTF("###L%d\n",__LINE__);

/******************************* DBG TIME CONFIG  ************************************/
-#include <sys/time.h>
-#include <time.h>
-#define  TM_GET_US()       ((uint32_t)((uint64_t)clock()*1000000/CLOCKS_PER_SEC))+
#include "board.h"
+#define  TM_GET_US()       (uint32_t)(HPM_MCHTMR->MTIME * 1000000uLL / clock_get_frequency(clock_mchtmr0))

#define TM_DBGT_INIT()     uint32_t _start,_finish;float _time;_start=TM_GET_US(); 
#define TM_DBGT_START()    _start=TM_GET_US();

2.2.3 编译运行

HPM6750项目的生成命令：

generate_project -b hpm6750evkmini -t flash_xip -f

HPM6750项目的编译、运行，具体可以开发环境搭建文章，链接见本文末尾。

手写数字识别（mnist模型），运行后，串口输出结果如下：

1.png

三、基准测试

下面是TinyMaix四种常用的基准测试模型的基准测试，四个模型分别为：

  • mnist——手写数字识别模型，输入28x28x1
  • cifar——10分类模型，输入32x32x3
  • vww——人体检测二分类模型，输入96x96x3，输出有无人
  • mbnet——1000分类模型，输入128x128x3

3.1 场景1: TM_MDL_INT8 + TM_OPT0

2.png

3.2 场景2: TM_MDL_INT8 + TM_OPT1
3.png
3.3 场景3: TM_MDL_FP32 + TM_OPT0

4.png

3.4 注意事项

  • 在SEGGER Embedded Studio中, 可以通过如下菜单Project 'xxx' Options -> Code -> Code Generation -> Optimization Level修改优化等级；
  • 在SEGGER Embedded Studio中, 默认的堆大小设置为16384 字节（16KB），不够运行vww96 和 mbnet128 模型，你可以通过菜单 Code -> Runtime Memory Area -> Heap Size修改具体配置大小，例如可以为524288（512KB）；
  • 对于FP32模型，需要将RISC-V ISA设置从默认的rv32imac改为rv32gc（Code -> Code Generation -> RIS-V ISA），确保编译器可以生成浮点数操作指令。

四、代码仓

移植代码仓（包含全部修改）：https://github.com/xusiwei/HPM6750_TinyMaix

benchmark代码仓（包含基准测试全部代码，包括CMakeLists.txt）：https://github.com/xusiwei/HPM6750_TinyMaix_Benchmark

五、参考链接

  1. TinyMaix ：超轻量级推理框架 - Sipeed Wiki

    https://wiki.sipeed.com/news/others/tinymaix_cnx/tinymaix_cnx.html

  2. 【先楫HPM6750系列】HPM SDK开发环境搭建和Hello World

    https://blog.csdn.net/xusiwei1236/article/details/124853859

  3. GCC floating-point options - SEGGER Wiki

    https://wiki.segger.com/GCC_floating-point_options

  4. Embedded Studio Library Heap - SEGGER Wiki

    https://wiki.segger.com/Embedded_Studio_Library_Heap

来源：先楫芯上人

免责声明：本文为转载文章，转载此文目的在于传递更多信息，版权归原作者所有。本文所用视频、图片、文字如涉及作品版权问题，请联系小编进行处理（联系邮箱：cathy@eetrend.com）。

围观 104
评论 0