Tengine-EAIDK310使用

CSDN下载链接：

https://download.csdn.net/download/qq_38649386/13986438

目录

前言 1

1  EAIDK310开发流程 2

1.1  流程图 2

1.2  必备技能 3

1.3  Tengine说明 3

2  深度学习模型模型转换 4

2.1  保存模型和参数 4

2.1.1  保存模型结构和权重参数 4

2.1.2  只保存模型权重 4

2.1.3  加载别人训练好的模型 4

2.1.4  分别加载网络的结构和参数 4

2.2  pytorch转ONNX 5

2.2.1  保存模型结构和权重参数 5

2.2.2  只保留模型权重 5

2.3  ONNX和onnxruntime 6

2.4  安装ONNX 7

3  Tengine运行深度学习模型 8

3.1  Tengine使用流程图 8

3.2  Tengine Lite整体框架 8

3.3  转换工具制作 9

3.4  Tengine Lite后端处理 9

3.5  Tengine API 10

3.6  深度学习模型测试 10

3.6.1  猫分类测试 10

3.6.2 人脸检测 11

4  opencv图像处理 13

4.1  报错及其解决 13

4.2  opencv库安装 14

4.3  opencv测试 14

5  linux环境开发 15

5.1  开发问题解决 15

5.1.1  寻找安装信息 15

5.1.2  make warring 15

5.1.3  non-existent path 15

5.2  CMake 15

5.2.1  cmake&make关系 15

5.2.2  自动安装 16

5.2.3  手动安装 16

5.2.4  报错及其解决 16

5.4  CMakeList 17

6  学习资料链接 18

 

 

 

前言

对本次实验用的EAIDK310开发板，现已初步掌握其开发流程，包括：

1. Linux环境下程序开发流程；
2. Tengine加速库安装与使用；
3. 深度学习模型文件转换与导入；
4. 结合使用opencv对图像预处理。

现就以上内容做初步整理和总结。使用深度学习框架语言Pytorch、OpenCV图像处理选用C++库、Tengine库选用C++的API、主控制程序用C++语言、开发环境为Linux。

未选用python作为开发语言是因为官方Tengine（python版）API文档资料较少，官方资料大部分基于C++语言进行开发。

 

 

1  EAIDK310开发流程

1.1  流程图

EAIDK310开发板应用开发流程图如下图：

 

图 EAIDK310开发流程图

首先，使用pytorch深度学习框架语言训练网络模型，并保存其模型结构和网络参数，文件格式为.pth、.pt或.pkl格式。

其次进行深度学习模型文件格式转换，将上一步骤所得模型文件转换为ONNX文件格式。ONNX（Open Neural Network Exchange）是一个用于表示深度学习模型的标准，可使模型在不同框架之间进行转移。

然后运行官方提供Tengine模型转换工具将ONNX模型文件转换为tmfile文件格式。

完成模型文件转换之后，在EAIDK310开发板烧录Linux系统，并配置相关程序开发环境。运用OpenCV对输入图片做图像预处理，运行Tengine硬件加速库调用深度学习模型文件（tmfile文件），得到网络模型运行结果。

最后根据模型运行结果数据，做相关操作，比如目标检测任务中检测目标的画框操作等。

1.2  必备技能

1.熟悉Linux操作指令以及程序编译；

2.Tengine加速库安装及API使用；

3.深度学习模型训练以及模型文件格式转换；

4.opencv图像处理只是及使用；

5.C++语言程序设计；

1.3  Tengine说明

Tengine 是OPEN AI LAB 针对前端智能设备开发的软件开发包，核心部分是一个轻量级，模块化，高性能的AI 推断引擎，并支持用DLA、GPU、xPU作为硬件加速计算资源异构加速。

图 Tengine主要特点

 

 

2  深度学习模型模型转换

2.1  保存模型和参数

.pt .pth .pkl

其实它们并不是在格式上有区别，只是后缀不同而已（仅此而已）。

2.1.1  保存模型结构和权重参数

pytorch模型保存:

1. import torch
2. torch.save(selfmodel,"save.pt")
3.  

pytorch模型加载:

1. import torch
2. torch.load("save.pt")

2.1.2  只保存模型权重

pytorch模型保存:

1. import torch
2. torch.save(selfmodel.state_dict(),"save.pt")

pytorch模型加载:

1. selfmodel.load_state_dict(torch.load("save.pt"))

2.1.3  加载别人训练好的模型

# 保存和加载整个模型

torch.save(model_object, 'resnet.pth')

model = torch.load('resnet.pth')

2.1.4  分别加载网络的结构和参数

# 将my_resnet模型储存为my_resnet.pth

torch.save(my_resnet.state_dict(), "my_resnet.pth")

# 加载resnet，模型存放在my_resnet.pth

my_resnet.load_state_dict(torch.load("my_resnet.pth"))

其中my_resnet是my_resnet.pth对应的网络结构。

2.2  pytorch转ONNX

2.2.1  保存模型结构和权重参数

1. import torch
2. torch_model = torch.load("save.pt") # pytorch模型加载 
3. batch_size = 1  #批处理大小
4. input_shape = (3,244,244)  #输入数据 
5. # set the model to inference mode
6. torch_model.eval()  
7. x = torch.randn(batch_size,*input_shape) #生成张量
8. export_onnx_file = "test.onnx#目的ONNX文件名
9. torch.onnx.export(torch_model,
10.   x,
11.   export_onnx_file,  
12.   opset_version=10,  
13.   do_constant_folding=True,  # 是否执行常量折叠优化
14.   input_names=["input"],   # 输入名
15.   output_names=["output"], # 输出名
16.   dynamic_axes={"input":{0:"batch_size"}, # 批处理变量
17.   "output":{0:"batch_size"}})

注：dynamic_axes字段用于批处理.若不想支持批处理或固定批处理大小,移除dynamic_axes字段即可.

2.2.2  只保留模型权重

1. import torch 
2. torch_model = selfmodel() # 由研究员提供python.py文件
3. batch_size = 1 # 批处理大小
4. input_shape = (3, 244, 244) # 输入数据
5. # set the model to inference mode
6. torch_model.eval()
7. x = torch.randn(batch_size,*input_shape) # 生成张量
8. export_onnx_file = "test.onnx"   # 目的ONNX文件名
9. torch.onnx.export(torch_model,
10.   x,
11.   export_onnx_file,
12.   opset_version=10,
13.   do_constant_folding=True,  # 是否执行常量折叠优化
14.   input_names=["input"],   # 输入名
15.   output_names=["output"],  # 输出名
16.   dynamic_axes={"input":{0:"batch_size"}, # 批处理变量
17.   "output":{0:"batch_size"}})  

2.3  ONNX和onnxruntime

ONNX简介

Open Neural Network Exchange（ONNX，开放神经网络交换）格式，是一个用于表示深度学习模型的标准，可使模型在不同框架之间进行转移（一般用于中间部署阶段）。

目前官方支持加载ONNX模型并进行推理的深度学习框架有： Caffe2, PyTorch, MXNet，ML.NET，TensorRT 和 Microsoft CNTK，并且 TensorFlow 也非官方的支持ONNX。

ONNX Runtime简介

ONNX Runtime是将 ONNX 模型部署到生产环境的跨平台高性能运行引擎。适用于 Linux、Windows 和 Mac。编写C++，它还具有 C、Python 和C# api。 ONNX 运行时为所有 ONNX 规范提供支持，并与不同硬件（如 TensorRT 上的 NVidia Gpu）上的加速器集成

ONNX Runtime与ONNX版本关系

ONNX Runtime 发行版本	ONNX发布版本	ONNX opset版本	ONNX ML opset版本	支持的ONNX IR版本
1.0.0	1.6向下兼容1.2	11	2	6
0.5.0	1.5向下兼容1.2	10	1	5
0.4.0	1.5向下兼容1.2	10	1	5
0.3.1 0.3.0	1.4向下兼容1.2	9	1	3
0.2.1 0.2.0	1.3向下兼容1.2	8	1	3
0.1.5 0.1.4	1.3向下兼容1.2	8	1	3

 

 

 

 

 

 

 

 

 

 

2.4  安装ONNX

清华镜像

pip install [镜像] onnx

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple some-package

清华镜像更新pip

升级 pip 到最新的版本 (>=10.0.0) 后进行配置：

pip install pip -U

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

如果您到 pip 默认源的网络连接较差，临时使用本镜像站来升级 pip：

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple pip -U

豆瓣源镜像

sudo easy_install -i http://pypi.douban.com/simple/ ipython

豆瓣源镜像更新pip

sudo pip install -i [镜像] --trusted-host=pypi.douban.com/simple [packet]

 

3  Tengine运行深度学习模型

3.1  Tengine使用流程图

 

图 Tengine使用流程图

调用API初始化Tengine库函数，将训练好的算法模型导入并根据网络节点node创建Graph模型。申请内存空间，然后运行推理引擎得到模型输出结果。结束后，释放内存，防止内存溢出。

3.2  Tengine Lite整体框架

 

图 Tengine Lite框架

上图中，从上至下依次是，第一层训练模型所用深度学习训练框架，用于训练算法模型；第二层是各个训练框架转换对应的模型文件，保存网络结构以及权重参数；第三层是将训练模型文件转换成Tengine所支持模型文件tmfile格式；第四层是所用推理引擎以及硬件资源包括CPU、GPU、NPU。

 

3.3  转换工具制作

 

图 转换工具

由训练框架代码得到相应网络参数保存文件输入给模型转换工具Convert Tool，模型转换工具Convert Tool将网络模型结构作为Node输出，经过open VX将Node连接为网络结构Graph输出，就能的到转换结果tmfile文件格式。

3.4  Tengine Lite后端处理

 

图 Graph

上一小结得到的tmfile文件经过Serializer，将Graph中的Node分配给不同的数据处理单元，包括CPU、GPU、NPU进行相应数据计算任务。如上图所示，经数据的输入输出的计算任务交由CPU处理，运用数据做推理模型计算任务由NPU完成，达到加速深度学习模型的效果。

3.5  Tengine API

init_tengine(); 初始化Tengine

create_graph(); 链接Tengine模型，创建句柄，链接Tengine和模型文件

get_graph_tensor(); 设置输入

get_graph_input_tensor(); 设置输入

set_tensor_shape(); 设置dim

prerun_graph(); 申请内存空间

set_tensor_buffer(); 设置输入

run_graph(); 运行

get_graph_tensor(); 得到输入

release_graph_tensor(input_tensor); 释放

postrun_graph(graph); 释放

destroy_graph(graph); 释放

release_tengine(); 释放

3.6  深度学习模型测试

3.6.1  猫分类测试

由于系统重装成支持pytorch环境，并且之前C++环境下Tengine测试结果未作相应图片保存，现截取官方文档图片以作参考，后期再做改进。

本次使用为猫种类的分类任务，所用网络为MobileNet,代码大小4.77MB，为输入图片如下：

 

图 猫图片

进过Tengine模型推理以及后续数据处理，得到如下结果：

3.6.2 人脸检测

C++开发人脸检测算法，代码加模型文件存储大小为1.08MB，为输入图片如下：

 

图 人脸检测输入

 

图 人脸检测结果

 

 

4  opencv图像处理

4.1  报错及其解决

CV头文件报错

Linux下编写C++代码引用opencv头文件，编译报错 undefined reference to `cv::imread的解决办法

强制链接：

1. 首先确定已安装opencv，可在终端输入命令查看：

$ opencv_version 3.3.1-dev

或输入以下命令查看opencv库的路径：

$ pkg-config --cflags --libs opencv

2. 用GNU命令编译

命令如下：

// 编译生成可执行文件executableFileName 

$ g++ source.cpp -o executableFileName $(pkg-config --cflags --libs opencv)

// 运行可以执行文件

$ ./executableFileName

使用CMakeList编译：

1.在项目中新建CMakeLists.txt文件；

2.将以下内容复制粘贴到CMakeLists.txt文件中：

cmake_minimum_required(VERSION 2.2)

project(project)

set(CMAKE_CXX_STANDARD 11)

find_package( OpenCV REQUIRED )

include_directories(${OpenCV_INCLUDE_DIRS}) add_executable(executableFileName source.cpp)

target_link_libraries( executableFileName ${OpenCV_LIBS} )

3.切换到当前工程所在目录下进行编译：

$ cmake .

$ make

$ ./executableFileName

添加路径：

export LD_LIBRARY_PATH=$LD_LIBARARY_PATH:/usr/local/lib

4.2  opencv库安装

安装过程省略，网上有详细安装教程，但是后续会更新安装过程中极易出现的问题以及其结局办法。

C++版本：

方法：进入opencv官方下载OpenCV源代码，拷贝进入EAIDK310开发板，使用make工具编译安装。

python版本：

使用python自带pip工具自动安装。过程中需提前安装各种依赖包。

4.3  opencv测试

 

图 opencv测试

5  linux环境开发

5.1  开发问题解决

5.1.1  寻找安装信息

安装库信息：pkg-config opencv --libs

安装版本：pkg-config opencv --modversion

安装路径：sudo find / -iname "*opencv*"

sudo find / -iname "*opencv*" > /home/ubuntu/Desktop/opencv_find.txt

5.1.2  make warring

解决make时候出现"make: warning: Clock skew detected. Your build may be incomplete."的问题

意思就是检测到时钟偏差了，主要是两个设备系统之间的时间上存在差距。

解决方案：

find ./ -type f |xargs touch

将所有文件都重新touch一遍，更新到本地系统的时间，再make就没问题了。

5.1.3  non-existent path

问题：

importedtarget “opencv_calib3d” includes non-existent path “//include”.

解决办法：

根据上一小节命令寻找opencv安装库，在相应文件夹下寻找缺失文件，确保存在该文件。

进入“opencv”文件夹，root权限修改OpenCVConfig.cmake文件，

# Provide the include directories to the caller

# set(OpenCV_INCLUDE_DIRS "${OpenCV_CONFIG_PATH}/include" "${OpenCV_CONFIG_PATH}/include/opencv")

set(OpenCV_INCLUDE_DIRS "${OpenCV_CONFIG_PATH}/../../../include" "${OpenCV_CONFIG_PATH}/../../../include/opencv")

将“../”更改为系统对应目录。

5.2  CMake

5.2.1  cmake&make关系

 

如果源文件太多，一个一个编译时就会特别麻烦，于是人们想到，为什么不设计一种类似批处理的程序，来批处理编译源文件呢，于是就有了make工具，它是一个自动化编译工具，你可以使用一条命令实现完全编译。但是你需要编写一个规则文件，make依据它来批处理编译，这个文件就是makefile，所以编写makefile文件也是一个程序员所必备的技能。

对于一个大工程，编写makefile实在是件复杂的事，于是人们又想，为什么不设计一个工具，读入所有源文件之后，自动生成makefile呢，于是就出现了cmake工具，它能够输出各种各样的makefile或者project文件,从而帮助程序员减轻负担。但是随之而来也就是编写cmakelist文件，它是cmake所依据的规则。所以在编程的世界里没有捷径可走，还是要脚踏实地的。

 

图 Cpp编译流程图

5.2.2  自动安装

sudo apt install cmake

sudo apt-get install cmake-qt-gui

5.2.3  手动安装

官网下载合适的版本:https://cmake.org/download/

下载后解压,然后进入目录执行:./bootstrap

编译:make -j 8

安装:sudo make install

确认下版本是否已经更新:cmake --version

5.2.4  报错及其解决

ERROR：

Could not find OpenSSL.  Install an OpenSSL development package or

  configure CMake with -DCMAKE_USE_OPENSSL=OFF to build without OpenSSL.

解决：

apt-get install libssl-dev

 

rm -f CMakeCache.txt

yum -y install ncurses-devel

yum install openssl-devel

5.4  CMakeList

参考链接：

https://blog.csdn.net/afei__/article/details/81201039

https://www.cnblogs.com/cv-pr/p/6206921.html

 

 

 

6  学习资料链接

 

310文章链接

EAIDK-310开箱

https://blog.csdn.net/weixin_42905573/article/details/106625661

EAIDK-310板载硬件资源介绍

https://blog.csdn.net/weixin_42905573/article/details/106625668

EAIDK-310烧录Ubuntu系统

https://blog.csdn.net/weixin_42905573/article/details/106625665

EAIDK-310安装浏览器

https://blog.csdn.net/weixin_42905573/article/details/106625664

0  拓展资料

正点原子Linux系列课程专栏

https://www.yuanzige.com/

i.MX6ULL Linux阿尔法开发板

http://www.openedv.com/docs/boards/arm-linux/zdyz-i.mx6ull.html

视频

https://www.bilibili.com/video/BV1yE411h7uQ/?spm_id_from=333.788.videocard.4

Opendv正点原子教程网站

http://www.openedv.com/thread-300792-1-1.html