如何訓(xùn)練一個(gè)有效的eIQ基本分類模型

一、概述

eIQ Neutron神經(jīng)處理單元(NPU)是一種高度可擴(kuò)展的加速器核心架構(gòu)，提供ML加速。與傳統(tǒng)MCU Kinetis、LPC系列相比，MCX N系列首次集成了恩智浦 eIQ Neutron神經(jīng)處理單元(NPU)，用于機(jī)器學(xué)習(xí)(ML)加速。相比單獨(dú)的CPU核，eIQ Neutron NPU能夠提供高達(dá)42倍的機(jī)器學(xué)習(xí)推理性能，MCX N94x每秒可以執(zhí)行4.8 G次運(yùn)算，使其能夠高效地運(yùn)行在 MCX CPU和eIQ Neutron NPU上。 eIQPortal它是一個(gè)直觀的圖形用戶界面(GUI)，簡(jiǎn)化了ML開(kāi)發(fā)。開(kāi)發(fā)人員可以創(chuàng)建、優(yōu)化、調(diào)試和導(dǎo)出ML模型，以及導(dǎo)入數(shù)據(jù)集和模型，快速訓(xùn)練并部署神經(jīng)網(wǎng)絡(luò)模型和ML工作負(fù)載。

在本文中，我們將探討如何訓(xùn)練一個(gè)有效的eIQ基本分類模型，并將其成功部署到MCX N947設(shè)備上。

硬件環(huán)境：

開(kāi)發(fā)板FRDM-MCXN947

顯示屏3.5" TFT LCD(P/N PAR-LCD-S035)

攝像頭OV7670

軟件環(huán)境：

eIQ Portal:eIQ MLSoftware Development Environment | NXP Semiconductors

MCUXpressoIDE v11.9.0

Application Code Hub Demo: Label CIFAR10 image

二、基本模型分類訓(xùn)練及部署

主要內(nèi)容分為三步：模型訓(xùn)練、模型轉(zhuǎn)換和模型部署。

1.數(shù)據(jù)集準(zhǔn)備

數(shù)據(jù)集為簡(jiǎn)單演示apple、banana兩分類，訓(xùn)練集、測(cè)試集比例為8:2，根據(jù)eIQ_Toolkit_UG.pdf提到的3.3.2 Structured folders dataset：

文件夾結(jié)構(gòu)如下：

注：數(shù)據(jù)集需按照以上文件夾格式設(shè)置

2. 創(chuàng)建工程及數(shù)據(jù)集導(dǎo)入eIQ

(1) 打開(kāi)eIQ Portal工具，點(diǎn)擊create project->import dataset：

(2) 以StructuredFolders導(dǎo)入：

(3) 點(diǎn)擊“IMPORT”后，選擇工程保存路徑，點(diǎn)擊“保存”：

3.選擇base models訓(xùn)練

(1)數(shù)據(jù)集導(dǎo)入后，點(diǎn)擊select model，選擇base models，修改input size為128,128,3：

(2)點(diǎn)擊start training。注：其他參數(shù)根據(jù)需要進(jìn)行設(shè)定即可，此處learning rate、batch size、epoch為默認(rèn)值，此處為演示，訓(xùn)練一輪，用戶可以根據(jù)需要訓(xùn)練模型達(dá)到應(yīng)用要求。訓(xùn)練完成如下：

如果精度一直不達(dá)標(biāo)，可以通過(guò)修改各訓(xùn)練參數(shù)，或者更新訓(xùn)練數(shù)據(jù)，再次點(diǎn)擊CONTINUE TRAINING繼續(xù)進(jìn)行訓(xùn)練。

4.模型評(píng)估VALIDATE

(1) 點(diǎn)擊VALIDATE，進(jìn)入模型評(píng)估，設(shè)置參數(shù)Softmax，input DataType和output Data Type，目前MCXN系列Neutron NPU只支持int8類型，選擇Softmax函數(shù)的閾值是一個(gè)需要綜合考慮多種因素的過(guò)程，應(yīng)該根據(jù)具體的應(yīng)用場(chǎng)景和性能目標(biāo)來(lái)決定最合適的閾值，在實(shí)際操作中，需要通過(guò)多次實(shí)驗(yàn)和調(diào)整來(lái)找到最佳的閾值：

(2).設(shè)置完成后，點(diǎn)擊VALIDATE，等待生成混淆矩陣，通過(guò)混淆矩陣我們可以清晰看出不同類別的分類情況，圖中x軸是預(yù)測(cè)的標(biāo)簽，y軸是實(shí)際的標(biāo)簽，可以看到每一張圖片預(yù)測(cè)標(biāo)簽和實(shí)際標(biāo)簽的對(duì)應(yīng)情況：

5.模型導(dǎo)出TensorFlow Lite

(1) 點(diǎn)擊DEPLOY，設(shè)置Export file Type，input Data Type和output Data Type，打開(kāi)Export Quantized Model，然后點(diǎn)擊Export Model：

(2).設(shè)置模型保存位置，點(diǎn)擊保存：

6.轉(zhuǎn)換TensorFlow Lite for Neutron (.tflite)

(1) 保存完成后，點(diǎn)擊open model，可以查看模型結(jié)構(gòu)：

(2) 點(diǎn)擊convert，選擇TensorFlow Lite for Neutron (.tflite)：

(3) 選擇Neutron Target，點(diǎn)擊convert，設(shè)置保存路徑即可：

7.將模型部署到Label CIFAR10 image工程

此示例基于機(jī)器學(xué)習(xí)算法，由 MCXN947 提供支持， 它可以標(biāo)記來(lái)自相機(jī)的圖像，并在LCD底部顯示物體的類型。

該模型在數(shù)據(jù)集CIFAR10上進(jìn)行訓(xùn)練，它支持 10 類圖像：

“飛機(jī)”、“汽車”、“鳥(niǎo)”、“貓”、“鹿”、“狗”、“青蛙”、“馬”、“船”、“卡車”。

(1) 打開(kāi)MCUXpresso IDE，從Application Code Hub導(dǎo)入Label CIFAR10 image工程：

(2) 選擇工程，點(diǎn)擊GitHub Link->Next：

(3).設(shè)置保存路徑，Next->Next->Finish：

(4).導(dǎo)入成功后，點(diǎn)擊“source”文件夾->model文件夾，打開(kāi)model_data.s，將最后通過(guò)eiq轉(zhuǎn)換的模型文件復(fù)制到model文件下，在model_data.s修改導(dǎo)入模型的名稱(轉(zhuǎn)換模型的名稱)：

注：工程中導(dǎo)入的模型是經(jīng)過(guò)多次訓(xùn)練得到的模型

(5) 點(diǎn)擊“source”文件夾->model文件夾->打開(kāi)labers.h文件，修改labers[ ]，標(biāo)簽順序?yàn)閑IQ中數(shù)據(jù)集顯示的順序 ：

(6) 編譯工程，下載到開(kāi)發(fā)板。

三、實(shí)驗(yàn)結(jié)果

四、總結(jié)

對(duì)于希望在MCX N系列邊緣設(shè)備上實(shí)現(xiàn)高效機(jī)器學(xué)習(xí)應(yīng)用的開(kāi)發(fā)人員來(lái)說(shuō)，掌握這些技術(shù)和工具是至關(guān)重要的。

通過(guò)高效利用eIQ Neutron NPU的強(qiáng)大性能和eIQ Portal的便捷工具，開(kāi)發(fā)人員可以大大簡(jiǎn)化從模型訓(xùn)練到部署的整個(gè)過(guò)程。這不僅加速了機(jī)器學(xué)習(xí)應(yīng)用的開(kāi)發(fā)周期，還提升了應(yīng)用的性能和可靠性。

作者：王浩 楊聰哲