如何训练一个有效的eIQ基本分类模型

描述

一、概述

eIQ Neutron神经处理单元(NPU)是一种高度可扩展的加速器核心架构,提供ML加速。与传统MCU Kinetis、LPC系列相比,MCX N系列首次集成了恩智浦 eIQ Neutron神经处理单元(NPU),用于机器学习(ML)加速。相比单独的CPU核,eIQ Neutron NPU能够提供高达42倍的机器学习推理性能,MCX N94x每秒可以执行4.8 G次运算,使其能够高效地运行在 MCX CPU和eIQ Neutron NPU上。 eIQPortal它是一个直观的图形用户界面(GUI),简化了ML开发。开发人员可以创建、优化、调试和导出ML模型,以及导入数据集和模型,快速训练并部署神经网络模型和ML工作负载。

在本文中,我们将探讨如何训练一个有效的eIQ基本分类模型,并将其成功部署到MCX N947设备上。

硬件环境:

开发板FRDM-MCXN947

显示屏3.5" TFT LCD(P/N PAR-LCD-S035)

摄像头OV7670

软件环境:

eIQ Portal: eIQ MLSoftware Development Environment | NXP Semiconductors

MCUXpressoIDE v11.9.0

Application Code Hub Demo: Label CIFAR10 image

二、基本模型分类训练及部署

主要内容分为三步:模型训练、模型转换和模型部署。

1.数据集准备

数据集为简单演示apple、banana两分类,训练集、测试集比例为8:2,根据eIQ_Toolkit_UG.pdf提到的3.3.2 Structured folders dataset:

处理器

文件夹结构如下:

处理器

注:数据集需按照以上文件夹格式设置

2. 创建工程及数据集导入eIQ

(1) 打开eIQ Portal工具,点击create project->import dataset:

处理器

(2) 以StructuredFolders导入:

处理器

(3) 点击“IMPORT”后,选择工程保存路径,点击“保存”:

处理器

3.选择base models训练

(1)数据集导入后,点击select model,选择base models,修改input size为128,128,3:

(2)点击start training。注:其他参数根据需要进行设定即可,此处learning rate、batch size、epoch为默认值,此处为演示,训练一轮,用户可以根据需要训练模型达到应用要求。训练完成如下:

处理器

如果精度一直不达标,可以通过修改各训练参数,或者更新训练数据,再次点击CONTINUE TRAINING继续进行训练。

4.模型评估VALIDATE

(1) 点击VALIDATE,进入模型评估,设置参数Softmax,input DataType和output Data Type,目前MCXN系列Neutron NPU只支持int8类型,选择Softmax函数的阈值是一个需要综合考虑多种因素的过程,应该根据具体的应用场景和性能目标来决定最合适的阈值,在实际操作中,需要通过多次实验和调整来找到最佳的阈值:

处理器

(2).设置完成后,点击VALIDATE,等待生成混淆矩阵,通过混淆矩阵我们可以清晰看出不同类别的分类情况,图中x轴是预测的标签,y轴是实际的标签,可以看到每一张图片预测标签和实际标签的对应情况:

处理器

5.模型导出TensorFlow Lite

(1) 点击DEPLOY,设置Export file Type,input Data Type和output Data Type,打开Export Quantized Model,然后点击Export Model:

处理器

(2).设置模型保存位置,点击保存:

处理器

6.转换TensorFlow Lite for Neutron (.tflite)

(1) 保存完成后,点击open model,可以查看模型结构:

处理器

(2) 点击convert,选择TensorFlow Lite for Neutron (.tflite):

处理器

(3) 选择Neutron Target,点击convert,设置保存路径即可:

处理器

7.将模型部署到Label CIFAR10 image工程

此示例基于机器学习算法,由 MCXN947 提供支持, 它可以标记来自相机的图像,并在LCD底部显示物体的类型。

该模型在数据集CIFAR10上进行训练,它支持 10 类图像:

“飞机”、“汽车”、“鸟”、“猫”、“鹿”、“狗”、“青蛙”、“马”、“船”、“卡车”。

(1) 打开MCUXpresso IDE,从Application Code Hub导入Label CIFAR10 image工程:

处理器

(2) 选择工程,点击GitHub Link->Next:

处理器

(3).设置保存路径,Next->Next->Finish:

处理器

(4).导入成功后,点击“source”文件夹->model文件夹,打开model_data.s,将最后通过eiq转换的模型文件复制到model文件下,在model_data.s修改导入模型的名称(转换模型的名称):

处理器

注:工程中导入的模型是经过多次训练得到的模型

(5) 点击“source”文件夹->model文件夹->打开labers.h文件,修改labers[ ],标签顺序为eIQ中数据集显示的顺序 :

处理器

处理器

(6) 编译工程,下载到开发板。

三、实验结果

处理器

四、总结

对于希望在MCX N系列边缘设备上实现高效机器学习应用的开发人员来说,掌握这些技术和工具是至关重要的。

通过高效利用eIQ Neutron NPU的强大性能和eIQ Portal的便捷工具,开发人员可以大大简化从模型训练到部署的整个过程。这不仅加速了机器学习应用的开发周期,还提升了应用的性能和可靠性。

作者:王浩 杨聪哲

打开APP阅读更多精彩内容
声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉

全部0条评论

快来发表一下你的评论吧 !

×
20
完善资料,
赚取积分