全志V853 NPU开发之Demo使用说明

上一章节中配置 NPU 扩展包后可以在 menuconfig 里看到两个 Demo 测试应用程序。这里我们来介绍一下怎么使用这两个 Demo。

全志V853 NPU开发之Demo使用说明_第1张图片

YOLOV3

在 NPU Package 中我们提供了一个较为完整的 YOLOV3 Demo 作为测试,程序源码位于:

openwrt/package/npu/yolov3/src

这个 Demo 相较于 Lenet 的 Demo 增加了图片前处理、数据处理、后处理与图片打框的功能。可以将上传的图片物体打框标记并输出打框后的图片。

首先我们在 menuconfig 里选中 YOLOV3 的相关选项

全志V853 NPU开发之Demo使用说明_第2张图片

可以看到这里选择了 yolov3 会出现 yolov3-model 这个选项,这个选项是提供一个测试使用的模型到系统中,文件较大,如果编译打包出现错误请参阅【FAQ 常见问题 - V853】查看或参考以下解决方法。

报错时的错误提示:

全志V853 NPU开发之Demo使用说明_第3张图片

解决方法:修改板级目录下面的 sys_partition.fex 的 rootfs.fex 节点 45360 ==> 95744 。

全志V853 NPU开发之Demo使用说明_第4张图片

测试 YOLOV3

首先我们准备一张图片,并把图片转换为 416*416 分辨率的图片。

全志V853 NPU开发之Demo使用说明_第5张图片

使用 ADB 将图片下载到 root 目录

adb push 2.jpg root

在开发板上,切换文件夹到 root 文件夹,使用 ls 列出看看有没有 2.jpg 这个图片文件

cd /root

ls

可以看到,这里已经下载成功了,接下来运行 yolov3,格式是:

yolov3 <模型文件> <图片文件>

之前我们选中了 yolov3-model 模型包,模型已经安装到/etc/models/yolov3_model.nb了,所以在这里我们直接可以使用这个模型,执行

yolov3 /etc/models/yolov3_model.nb 2.jpg

全志V853 NPU开发之Demo使用说明_第6张图片

可以看到识别到了 carmotorbike ,此时 ls 可以看到打标完成的图片 yolo_v3_output.bmp

全志V853 NPU开发之Demo使用说明_第7张图片

可以使用 adb 上传图片到主机查看。

adb pull /root/yolo_v3_output.bmp

打开图片即可查看标注情况

全志V853 NPU开发之Demo使用说明_第8张图片

如果运行出现错误,请确认图片格式是否为jpg,图片分辨率是否为 416x416

Error: Input size mismatch for 2.jpg, file data size:516672, expected:519168

全志V853 NPU开发之Demo使用说明_第9张图片

Lenet

如果说深度学习有什么 HelloWorld,那一定是 Lenet。

在 NPU 扩展包中提供了一个 Lenet 的 Demo 程序。

这个 Demo 较为基础,演示了模型转换生成的模板代码如何集成到 Tina Linux 里。由于没有前处理与后处理,所以输入数据与输出数据均为二进制 tensor 文件。也正因为如此,所以可以将输出的 tensor 与仿真输出的 tensor 进行对比,验证是否有错误。

如果想要更完善的包括前处理与后处理的 Demo 可以查看 yolov3 Demo。

我们先 make menuconfig 找到 Lenet 选项,这里提供 lenet 主程序与 lenet-model 模型两个包,可以只选中主程序使用自己转换的模型测试。

全志V853 NPU开发之Demo使用说明_第10张图片

在这里我们就使用扩展包提供的模型进行验证。先去 扩展包里找到测试数据 lenet_input_0.dat 并上传到开发板。

全志V853 NPU开发之Demo使用说明_第11张图片

使用 ls 列出上传的数据

使用 lenet 命令运行测试模型

lenet <模型文件> <数据文件>
lenet /etc/models/lenet_model.nb lenet_input_0.dat

全志V853 NPU开发之Demo使用说明_第12张图片

可以看到这里输出了 tensor output0_10_1.dat 文件

如果需要实现图片的输入与输出,需要基于这个模板增加图片前处理与数据后处理部分的代码。前处理将图片转为 tensor 输入,后处理解析 tensor 输出数据。

vpm_run

vpm_run 软件包是用于在开发板上测试运行的工具,一般用于开发板测试推理。而且可以通过参考 vpm_run 的流程,用户可以开发自己的 AI 应用程序,所以它可以看成是一套基于 AI 应用开发模板,只不过,它有自己的一些特点,

  • vpm_run 是可以作为一个通用模型运行环境,程序不需要修改,可以运行任何部署正确的NBG 模型文件.

  • vpm_run 基于 viplite 网络层 API,程序短小精悍。

  • vpm_run 具备默认的后处理程序 TOP5, 如果不满足你的算法要求,可以自行扩展。

我们先 make menuconfig 找到 vpm_run 选项,勾选,打包编译。这里我们同样勾选 lenet 选项,待会测试 vpm_run 使用,提供模型。

全志V853 NPU开发之Demo使用说明_第13张图片

在开发板中,可以运行 vpm_run 查看支持的操作

vpm_run

可以看到,他需要一个 sample.txt 文件,定义如下

[network]                  # 模型的名称
./lenet_model.nb
[input]                    # 输入数据
./lenet_input_0.dat
[golden]                   # 标准输出数据,会与输出数据比对检查是否有偏差(可选)
./lenet_input_golden.dat
[output]                   # 输出数据
./lenet_output_data.dat

其中的 golden 标签代表的是标准输入,可以看作一个满分的输出,这个输出可以用预推理阶段生成的输出文件,也可以用仿真输出的文件。vpm_run 会比对这两个文件查看是否有错误产生。

vpm_run sample.txt

有些模型需要的内存较大,需要修改更大的内存,可以打开 openwrt/package/npu/vpm_run/src/vpm_run.c 修改分配的内存大小(viip_init(内存大小))。

全志V853 NPU开发之Demo使用说明_第14张图片

多输入/多网络配置

多输入sample.txt文件配置,当只有一个nb模型但需要有两个输入时:

``` [network] ./network_binary.nb [input] ./iter_0_images_262_out0_1_3_640_640.tensor ./input_0.dat


多网络sample.txt文件配置,当需要一次运行多个nb模型时,不同nb以标签为界限:

 ```
[network]
 ./network_binary.nb
 [input]
 ./iter_0_images_262_out0_1_3_640_640.tensor

 [network]
 ./network_binary.nb
 [input]
 ./input_0.dat

常见问题

① 按照官网上的教程在V853上部署 lenet 模型,使用 vpm_run sample.txt 的时候出现segmentation fault ,如下图所示

全志V853 NPU开发之Demo使用说明_第15张图片

读取sample.txt失败,检查一下vpm_run.c源码,查看获取文件名的换行符类型。

尝试将把sample.txt文件中的空格去掉,这是导致segmentation fault错误的原因之一。

windows操作系统的换行为:CR/LF或\r\n,而Linux的换行符为LF或\n。

② NPU模块vpm_run例程运行时sample.txt读取错误

编写sample.txt文件:

``` [network] ./network_binary.nb [input] ./iter_0_images_262_out0_1_3_640_640.tensor


将模型、输入文件、vpm_run例程传入板端

运行vpm_run例程:

./vpm_run -s sample.txt


报错LOG如下:

unsupported input file type=tenso. error input file type segmentation fault ```

报错为读取sample.txt失败,检查一下vpm_run.c源码,查看获取文件名的换行符类型,多是由于空格字符问题引起。

你可能感兴趣的:(全志V853,全志-工具&测试,全志,NPU,YOLO,yolov3,开发语言)