出品 | 智东西公开课讲师 | 邱建斌 瑞芯微Toybrick AI开发平台负责人
番茄办公模板
导读：
瑞芯微Toybrick AI开发平台负责人邱建斌今年3月曾在智东西公开课进行了嵌入式AI合辑第一讲的直播讲解，主题为《AI开发平台如何帮助嵌入式开发者加速应用产品化落地》。
在本次讲解中，邱建斌老师首先从嵌入式AI的发展现状与挑战入手，介绍了两款Toybrick AI开发平台主要在用的两款芯片及在平台部署的优势，最后介绍了后续的产品规划。
本文为此次专场主讲环节的图文整理：
正文：
大家好，我是瑞芯微Toybrick AI开发平台负责人邱建斌，很荣幸能在智东西公开课和大家一起分享今天的课题。今天分享的主题为《AI开发平台如何帮助嵌入式开发者加速应用产品化落地》，主要分为以下4个部分：
1、嵌入式AI的发展现状与挑战2、Toybrick AI开发平台解析3、Toybrick系列在嵌入式视觉应用高效开发与部署上的优势4、Toybrick的后续产品规划
嵌入式AI的发展现状与挑战
嵌入式AI一般也会被称作边缘计算，针对边缘计算与云端的AI计算，以前很多的算法公司都会在PC或者显卡上面做一些计算，所以云端计算能力会强一些，而且云端计算的能力可以比较平滑的去做一些事情。但云端计算也面临一些局限性，比如AI运算的及时性、运算速度及算力上成本的局限性等，所以很多算法公司需要把一些算法转化成产品，他们就会希望采用边缘计算方式，提高研发成果转化到市场的过程。所以，现在很多AI的算法公司，包括一些研究的机构会去摸索如何快速的把研发成果转化成产品，这样它们才能在市场上赢得先机。
但现在的问题是各家NPU的IP都不太相同，以前在PC上面做的事情到边缘计算上会面临很多问题，它会花费比较长的时间去熟悉不同的平台。第二点是很多算法公司及一些研究机构，不具备硬件开发能力，有些甚至不太了解底层硬件的平台。所以他们在开发过程中会相对比较困难、周期比较长。我们把相对应的这部分硬件平台做的相对完善，并且可以提供一些案例给到一些开发者，让他们可以快速在一些原先的算法上做一些评估，最终可以快速的转化成产品。
Toybrick AI开发平台解析
在2019年Toybrick AI开发平台，硬件上提供不同系列开发平台和参考设计满足不同用户群体，软件上提供稳定可靠的系统平台、丰富的开发工具、AI教学案例和开源的社区。我们平台希望是可以提供高效、便捷、稳定的开发环境，让开发者迅速上手AI应用开发，加速AI行业产品研发进程，提升行业应用生态。
[图片上传失败...(image-26cae2-1595501227012)]
现在平台上面主要是用我们的两款带有NPU芯片做的。首先,第一款是RK3399Pro芯片，如果有一些同学用过3399可能比较清楚，与3399相比，3399Pro只是多了一款NPU。首先介绍下NPU的规格，这款NPU有1920个INT8的MAC计算单元，192个的INT16的计算单元，64个FP16的计算单元，最高可以跑800MHz。其他的性能也比较强，像CPU有双核的A72+A53，GPU为Mali的4核T860，同时支持5.1的eMMC。在视频编辑码这块能力也比较强，可以也是4K 60帧，264、265都可以解，可以支持1080p的编码，也支持安全的OP-TEE架构，包括支持Widevine Level1和PlayReady相关。显示接口也是比较丰富，比如有4k的输出等，视频输入的接口是比较多的，所以它可以广泛运用不同的场景。我们有两路的13MPixel ISP与MIPI CSI-2接口，USB处理单元，这两路是独立的。我们还有Type-C跟USB 3.0以及PCIe接口。
第二款就是RK1808芯片，对于RK 1808这款芯片，它有双核的A 35，它的NPU与3399相同，其他具体的参数信息可以看上图。RK1808不带GPU，所以与3399 pro的差别是除了NPU以外，3399 pro的计算性能更强以及视频编解码能力比较强，1808相对比较弱一点，因为它定位于做一个企业处理预算，做AI的NPU的推理工作，它也有一些接口可以做通讯，像RGMII还有PCIe、USB3.0，这些都是可以用。
我们有两款基于RK 1808芯片做的产品：神经网络计算棒以及Mini-PCIe的子卡,他们的主要工作是做 AI的推理。PCIe的子卡主要是U3的结果通讯，会在后面详细的介绍。
对于NPU的预算性能，我们跑了一些比较常见的模型，像VGG 16有46.4 FPS，ResNet50是70 FPS，MobileNet可以跑到190FPS。MobileNetV2_SSD可以达到84.5FPS，YOLO_v2可以达到43.4FPS。同时还支持一些语音识别的模型，我们也提供一些工具，可以比较快速的转化像Caffe、TesnsorFlow、PyTorch主流架构的模型。
[图片上传失败...(image-f8e4c-1595501227012)]
上图是我们现在在网上有发售的，我们把芯片相关的一些比较高速的接口已经标出来，可以供大家可以直接使用，然后快速的在他们产品上面去做评估。它是比较高速的，比如说PCIe、USB等，同时它也可以跑Android 8.1和Linux，在板上设计上面都有提供，而且曾做过比较大的稳定性测试，整个板子的稳定性跟系统稳定性都比较好。
下面介绍下核心版的产品，因为许多客户没有硬件能力，所以我们核心版的方式是客户可以自己设置底板，然后根据它的产品形态，可以去设计不同的规格。核心板器的尺寸是69.6毫米×70毫米，采用紧凑尺寸的方式去实现。
1808上面也有所介绍，我们目前给开发者可以快速评估的就是计算棒。人工智能计算棒，我们提供相应的案例，让我们的客户可以直接在不同的平台上运行，比如在windows、Android及比较低端的平台也都可以运行。我们还有一种形态是Mini-PCIe，因为它可以部署到产品上面，如果平台上有PCIe接口，可以比较平滑的升级它的产品，只要把它放上去，原先产品就可以附着一个AI的功能，然后加上相应的软件去配合。
现在AI很多都是基于机器视觉相关的，围绕在摄像头这块。所以我们有一些开发套件，配合视频解码芯片，后面的分析模块是1808。其实它是通用于38mm*38mm安防标准尺寸，这样一些安防的客户可以直接把板子塞到他原先的模具里面，可以快速的升级原先的产品形态，并附着一个AI的功能。相较之下，其他芯片厂商灵活性会差一点点，我们其实相对会有更open一点，所以很多不同的模型及算法都可以在我们上面去跑。
[图片上传失败...(image-f04e34-1595501227012)]
下面简单介绍下RK3399Pro NPU应用典型架构，从前面的Camera进来，他的GPU可以做一些前处理，通过OpenGL负责画图以及显示，NPU主要是做推理，CPU可能是做系统调度，这样可以比较好的协调各个预算单元，专门去做对应专业的一个事情，这样产品的功耗也比较低，而且它的帧率也比较高，因为它不用去协助做推理，而且也有利于降低CPU跟GPU的负载。这也是NPU比较有利的一点，它可以大大降低CPU跟GPU的负载。
对于数据处理流程，整个流程是比较简单，它通过USB的HOST端，它这边有可能是PC或者我们的一个板子，或者我们原先的已有的平台，然后把模型的数据通过USB传输到我们的计算棒，然后在计算棒上面进行推理，可以得到结果，然后再通过你的画面进行后处理，就可以显示出来。
针对我们的NPU有提供RKNN ToolKit，它其实是一些转换工具。因为不同的框架像Caffe，TensorFlow、PyTorch都是不一样的，我们要先转换成RKNN的模型，因为在上一级可以提供模型转换、推理跟性能评估。由于它是一个工具，所以在使用过程中可以做一些模拟调试，性能预估或内存预估，这是在开发过程中是一定会用到的。
开发流程也相对比较简单，第一步是需要把不同框架的深度模型转换过来，像TensorFlow、Caffe、TF Lite、ONNX、Darknet模型都需要用我们的工具先进行转换，转换完之后把转换成出来的RKNN模型，放到NPU的预算单元里面，然后我们会加载模型文件,之后再把输入数据，像音频、视频图像，但是你可能需要一些前处理，需要做一些scale，把一些图像进行裁剪，接下来就可能调一个函数接口进行模型的推理，处理完之后就可以得到接口，比如说你放一个车牌的图片进去，我就可以得到一个车牌的号码，这是一个大致的开发流程。
不同的模型通过RKNN转换完之后，它可以通过Python或者C++的接口进行调用，开发工具其实是做一个模型的快速转换、性能的评估，以及进度的预测，然后可以进行最终的一些调试，验证最终的精度。
Toybrick系列在嵌入式视觉应用高效开发与部署上的优势
在AI这方面我们也做了一些初步的demo，我们称为Rock-X AI SDK，这块我们其实已经做了很多，比如现在比较常见的一些模型算法，像人体骨骼关键点、人脸特征点、手指的关键点、人脸检测、人脸识别、活体检测、人头检测、人脸属性分析及车牌识别。
[图片上传失败...(image-8494bb-1595501227012)]
对于新零售现在有两个方向，像自动售货柜、自助收银、自助称重。现在很多都有双屏异显的一个需求，因为它上面可能会推动一些广告，我们从上面的框图可以看到，它最主要是摄像头采集，对于摄像头的接口，我们可以支持MIPI的接口，USB可以接多个，甚至摄像头的数据可以通过网口的进来，显示接口也比较多，可以支持eDP跟HDMI。我们支持默认系统DDR&NDDR跟eMMC的SD卡，同时有PCIe的接口可以支持转接SATA硬盘存储。
现在新零售的自动售货柜，它基本上都会有4-6个的摄像头，有时客户做物体识别，基本上一个摄像头可以跑满30帧左右，我们可以解4k 60帧，你也可以换算下其他的分辨率，最高可以是4k 60帧的多路视频。
第二个就是大型商超做自助收银，它可以直接识别物体，不像原来会扫码的动作，而且也可以通过摄像头+算法防止商品的丢失。它接口上面的差异可以通过网口来获取数据，因为摄像头有可能在比较高处，对比传统的方案，大型商超和小型商超如果你用显卡的服务器来做，它可能相对布线比较复杂一点，然后灵活性没那么高。如果用边缘计算这种方式，它直接到终端，部署比较方便，然后它的成本也会相对较低，所以现在很多不同的公司都会往这边去发展，用3399Pro实现这样的一个功能。
还有一个应用是3399 Pro与1808现在很多人做边缘计算服务器，在终端做NVR跟AI网关，它直接就可以跑Linux OS，其实安卓相较于Linux的一个优势是安卓尽量可能做的更漂亮一点，不像刚才新零售需要做一些广告或者其他的部分，它的接口部分的差别是摄像头数据是通过网络进来的，其他部分外围相对比较少，本地也可以把对内的数据存下来，通过PCIe的SATA接口转为硬盘存储。
它应用场景比较广的，像做边缘服务器用NVR和AI都可以用，包括做智能路灯之类，而且一个边缘计算服务器可以处理多个摄像头，不单单是一个摄像头，有多个数据出来，可以时分复用的方式去处理。
上图是一些应用场景，比如1808在安防摄像机，做人脸的检测与跟踪、智能运动检测、区域入侵、绊线检测与车牌识别。这也是我们为什么会做一个安防的套件，因为嵌入式AI很大比例的产品集中在机器视觉，这主要依靠摄像头来做。
还有零售的摄像机，它做人流统计、热点统计及动作检测，包括对行为的分析。对于家用安防摄像头，它可以做人、宠物与汽车的检测和识别，快递包裹放下和拿走的检测。边缘计算在这些产品上有一些优势，它可以直接拿原始数据进行处理，这样特征更丰富一些，相对之前的云端计算，它可以减少网络的传输，响应速度更快，功耗更低，成本也会更低。
另一种方向是现在做DMS，DMS是在客车上面做安全，像两客一危，一辆车上面会有多个摄像头去检测，比如说你前端去检测驾驶员打哈欠、抽烟、打瞌睡、看手机、打电话之类的动作。这样客车公司可以拿这些数据来做一些检查之类的，还可以做一些ADAS的功能，车道偏移报警，碰撞预警，交通标志识别，同时也可以做做盲点探测、行车记录、语音交互。我们可以接多个摄像头，例如也可以N4的板，最多可以接6路，编码我们可以6-8路的编码。
因为你原先的产品形态上面，在1808上面通过比较小的改动，就可以做比较好的产品设计，你原先可能不止在这一块，通过PCIe模块或者设计的一个小模块，对接到我原先的产品平台上面，它可以变成一个支持AI功能的产品，可以比较方便来做产品升级。扫地机器人通过激光导航 + Camera实现检测物体，智能避障，还有儿童故事机，指尖识别，同时也支持麦克语音阵列。
对于NPU，有些客户的模型会比较大或者摄像头的路数比较多，还需要比较强的计算能力。我们可以通过多个计算棒或者平台模块进行算力叠加。比如一个NPU或一个 1808计算棒，它可能只能处理几路，这需要根据实际的模型的情况来定，如果有很多路就有可能就要多个，所以我们也有一个多路的 demo。
Toybrick的后续产品规划
后续的规划主要集中在RKNN，像Pytorch已经支持了，前面做了一些工作是混合量化、联机调试，做了一些优化加快模型的加载时间，然后也对接上Tensorflow 2.0，最后也会对TF-Keras做一些优化。我们也会提供一些案例，像条码和二维码、OCR、语音识别等。
后续还会根据我们新的产品、芯片以及不同的产品方向，推出一些硬件平台，来给予我们的开发者可以快速的开发。