【嵌入式AI入门日记】将 AI 模型移植到 RT-Thread 上（1）
本期我们分享主题是如何将 AI 模型部署到嵌入式系统中，下一期将介绍如何在 RT-Thread 操作系统上运行 Mnist Demo（手写数字识别）。
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！
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。
1. 准备工作
1.1 安装开发环境
我是用的操作系统是 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
STM32CubeProgrammer 在 ubuntu 环境下使用可能会出现如下错误：
安装好之后，在终端执行安装包路径下的
bin文件夹下的执行文件，会报错误：找不到或无法加载主类 “com.st.app.Main”，这时候只要将 Ubuntu 默认的 Open-JDK 换成 Oracle JDK 就好了，下面是切换成 Oracle JDK 成功的截图：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 3# 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 6$ 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: https://github.com/Lebhoryi/Edge_AI/tree/master/Project1
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,
2error: Unknown layer: Functional
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：
https://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：
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
2.1 打开 CubeMX
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：
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。
2.3 导入 AI 模型到工程中
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：
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：
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
3./Project1
4├── DNN # CubeMX 生成工程路径
5│ ├── DNN.ioc # CubeMX 类型文件
6│ ├── Drivers
7│ ├── Inc
8│ ├── Middlewares
9│ ├── network_generate_report.txt
10│ ├── Src
11│ ├── Startup
12│ ├── STM32CubeIDE
13│ ├── STM32H743ZITX_FLASH.ld
14│ └── STM32H743ZITX_RAM.ld
15├── image # 相关图片保存文件夹
16│ ├── mymodel1.png # model
17│ └── STM32H743.jpg # H743
18├── model # model 保存路径
19│ └── keras_model.h5
20├── Readme.md
21├── tf2_linear_regression.ipynb
22└── tf2_线性回归_扩展.ipynb
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：https://blog.csdn.net/Naisu_kun/article/details/95935283
3.1 导入工程
选择 File 选项 --> import：
选择先前导出工程的路径：
导入成功的界面如下所示：
接下来就可以使用 STM32Cube IDE 来调试生成的工程了。
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。
烧录成功的界面：
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。
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！！！
4. 参考文章
STM32CubeMX系列教程
Tensorflow 2.0 中模型构建的三种方式:
???? https://blog.csdn.net/weixin_42264234/article/d
Ubuntu16.04 和 Ubuntu18.04 安装 STM32CubeProgrammer 遇到的坑:
???? https://blog.csdn.net/lu_embedded/article/details/103032083
基础说明与开发流程:
???? https://blog.csdn.net/Naisu_kun/article/details/95935283
你可以添加微信17775982065为好友，注明：公司+姓名，拉进 RT-Thread 官方微信交流群！
RT-Thread
让物联网终端的开发变得简单、快速，芯片的价值得到最大化发挥。Apache2.0协议，可免费在商业产品中使用，不需要公布源码，无潜在商业风险。
长按二维码，关注我们
点击阅读原文，进入RT-Thread官网
点个“在看”，让知识流行起来
