【賽昉科技昉·星光RISC-V單板計(jì)算機(jī)試用體驗(yàn)】運(yùn)行邊緣AI框架——TFLM
本文來源電子發(fā)燒友社區(qū)，作者：xusiwei1236， 帖子地址：https://bbs.elecfans.com/jishu_2289346_1_1.html
一、TFLM簡介
TFLM是TensorFlow Lite for Microcontrollers項(xiàng)目的簡稱，全稱翻譯過來就是“適用于微控制器的TensorFlow Lite”。它是一個(gè)來自谷歌的邊緣AI框架，能夠運(yùn)行在單片機(jī)上。
來自官方的介紹：
TFLM代碼倉鏈接：https://github.com/tensorflow/tflite-micro
二、準(zhǔn)備工作2.1 燒錄系統(tǒng)
開始本篇之前，需要先下載、燒錄支持NVDLA驅(qū)動的系統(tǒng)鏡像。
這里使用了社區(qū)**Houge_Langley**大佬制作的帶有NVDLA驅(qū)動的Debian鏡像，下載連接：
http://ubuntu-riscv.litterhougelangley.club/ubuntu-impish/img/
Debian系統(tǒng)鏡像下載完成后，將Debian系統(tǒng)鏡像燒錄到SD卡上的操作和Fedora操作類似，這里不再贅述。
啟動后，neofetch輸出：
2.2 下載依賴
在PC的Linux系統(tǒng)上，運(yùn)行TFLM基準(zhǔn)測試之前，需要先安裝依賴的一些工具：
sudo apt install git unzip wget python3 python3-pip
2.3 設(shè)置pip源
將pip源設(shè)置為國內(nèi)源，可以加速pip包安裝，執(zhí)行如下命令：
pip config set global.index-urlhttp://mirrors.aliyun.com/pypi/simple/
pip config set global.trusted-host mirrors.aliyun.com
pip config set global.timeout 120
2.4 安裝Pillow庫
tflite-micro的benchmark編譯過程中會依賴python環(huán)境的pillow庫，對數(shù)據(jù)集的圖片進(jìn)行預(yù)處理。
執(zhí)行如下命令，安裝pillow庫： pip install pillow
安裝過程會編譯pillow包中的C/C++源代碼文件，速度較慢，耐心等待。
如果Pillow安裝過程報(bào)錯(cuò)：The headers or library files could not be found for jpeg
需要先安裝libjpeg庫：apt-get install libjpeg-dev zlib1g-dev
三、在VisionFive上運(yùn)行TFLM3.1 下載TFLM源碼
下載tflite-micro源碼使用如下命令：
git clone <https://github.com/tensorflow/tflite-micro.git>
3.2 TFLM基準(zhǔn)測試說明
TFLM代碼倉的頂層的README.md中給出了benchmarks鏈接：
https://github.com/tensorflow/tflite-micro/blob/main/tensorflow/lite/micro/benchmarks/README.md
該文檔篇幅不長：
通過這個(gè)目錄我們可以知道，TFLM實(shí)際上提供了兩個(gè)基準(zhǔn)測試（實(shí)際有三個(gè)），分別是：
3.3 TFLM基準(zhǔn)測試命令
參考”Run on x86”，在x86 PC上運(yùn)行關(guān)鍵詞基準(zhǔn)測試的命令是：
make -f tensorflow/lite/micro/tools/make/Makefile run_keyword_benchmark
在PC上運(yùn)行人體檢測基準(zhǔn)測試的命令是：
make -f tensorflow/lite/micro/tools/make/Makefile run_person_detection_benchmark
執(zhí)行這兩個(gè)命令，會依次執(zhí)行如下步驟：
flatbuffers_download.sh和kissfft_download.sh腳本第一次執(zhí)行時(shí)，會將相應(yīng)的壓縮包下載到本地，并解壓，具體細(xì)節(jié)參見代碼內(nèi)容；
pigweed_download.sh腳本會克隆一個(gè)代碼倉，再檢出一個(gè)特定版本：
這里需要注意的是，代碼倉https://pigweed.googlesource.com/pigweed/pigweed國內(nèi)一般無法訪問（因?yàn)橛蛎鹓ooglesource.com被禁了）。將此連接修改為我克隆好的代碼倉：https://github.com/xusiwei/pigweed.git可以解決因?yàn)閲鴥?nèi)無法訪問googlesource.com而無法下載pigweed測試數(shù)據(jù)的問題。
3. 4 Keyword基準(zhǔn)測試
關(guān)鍵詞基準(zhǔn)測試使用的模型較小，比較適合在STM32F3/F4這類主頻低于100MHz的MCU。
這個(gè)基準(zhǔn)測試的模型比較小，計(jì)算量也不大，所以在PC上運(yùn)行這個(gè)基準(zhǔn)測試的耗時(shí)非常短：
可以看到，在PC上運(yùn)行關(guān)鍵詞喚醒的速度非常快，10次時(shí)間才2毫秒。
模型文件路徑為：./tensorflow/lite/micro/models/keyword_scrambled.tflite
可以使用Netron軟件查看模型結(jié)構(gòu)：
3. 5 Person detection基準(zhǔn)測試
人體檢測基準(zhǔn)測試的計(jì)算量相對要大一些，運(yùn)行的時(shí)間也要長一些：
可以看到，人像檢測模型運(yùn)行10次的時(shí)間是四千多毫秒，一次平均四十幾毫秒。
模型文件路徑為：./tensorflow/lite/micro/models/person_detect.tflite
同樣，可以使用Netron查看模型結(jié)構(gòu)，模型結(jié)構(gòu)過于復(fù)雜，這里不再展示。
四、和樹莓派3B+結(jié)果對比
我手頭還有一塊吃灰很久的樹莓派3B+，拿出來做個(gè)對比。
4.1 在樹莓派3B+上運(yùn)行TFLM基準(zhǔn)測試
在樹莓派3B+上運(yùn)行TFLM基準(zhǔn)測試，所需的操作和VisionFive的完全一致。由于關(guān)鍵詞識別的模型計(jì)算量太小了，這里直接跑一下人像檢測的模型，最終結(jié)果為：
可以看到，在樹莓派3B+上的，對于有人臉的圖片，連續(xù)運(yùn)行10次人臉檢測模型，總體耗時(shí)4186毫秒，每次平均耗時(shí)418.6毫秒；對于無人臉的圖片，連續(xù)運(yùn)行10次人臉檢測模型，耗時(shí)4190毫秒，每次平均耗時(shí)419毫秒。
4.2 VisionFive和樹莓派3B+上TFLM基準(zhǔn)測試結(jié)果對比
結(jié)果匯總?cè)缦拢?br />
從上表可以看到，在TFLM人像檢測模型計(jì)算場景下，VisionFive和樹莓派3B+單次計(jì)算耗時(shí)基本相當(dāng)。樹莓派3B+的CPU頻率比VisionFive要高出40%，VisionFive能跑出這樣的成績說明U74 RISC-V CPU核和ARM Cortex A53的單核計(jì)算能力上差距不大（TFLM是單線程的）。但是，樹莓派3B+有4個(gè)Cortex A53核心，而VisionFive V1只有兩個(gè)U74 CPU核心，因此在多線程計(jì)算性能上必然存在較大差距。
一、TFLM簡介
TFLM是TensorFlow Lite for Microcontrollers項(xiàng)目的簡稱，全稱翻譯過來就是“適用于微控制器的TensorFlow Lite”。它是一個(gè)來自谷歌的邊緣AI框架，能夠運(yùn)行在單片機(jī)上。
來自官方的介紹：
TensorFlow Lite for Microcontrollers 是 TensorFlow Lite 的一個(gè)實(shí)驗(yàn)性移植版本，它適用于微控制器和其他一些僅有數(shù)千字節(jié)內(nèi)存的設(shè)備。它可以直接在“裸機(jī)”上運(yùn)行，不需要操作系統(tǒng)支持、任何標(biāo)準(zhǔn) C/C++ 庫和動態(tài)內(nèi)存分配。核心運(yùn)行時(shí)(core runtime)在 Cortex M3 上運(yùn)行時(shí)僅需 16KB，加上足以用來運(yùn)行語音關(guān)鍵字檢測模型的操作，也只需 22KB 的空間。TFLM項(xiàng)目首頁：https://tensorflow.google.cn/lit ... s/overview?hl=zh-cn
TFLM代碼倉鏈接：https://github.com/tensorflow/tflite-micro
二、準(zhǔn)備工作2.1 燒錄系統(tǒng)
開始本篇之前，需要先下載、燒錄支持NVDLA驅(qū)動的系統(tǒng)鏡像。
這里使用了社區(qū)**Houge_Langley**大佬制作的帶有NVDLA驅(qū)動的Debian鏡像，下載連接：
http://ubuntu-riscv.litterhougelangley.club/ubuntu-impish/img/
Debian系統(tǒng)鏡像下載完成后，將Debian系統(tǒng)鏡像燒錄到SD卡上的操作和Fedora操作類似，這里不再贅述。
啟動后，neofetch輸出：
2.2 下載依賴
在PC的Linux系統(tǒng)上，運(yùn)行TFLM基準(zhǔn)測試之前，需要先安裝依賴的一些工具：
sudo apt install git unzip wget python3 python3-pip
2.3 設(shè)置pip源
將pip源設(shè)置為國內(nèi)源，可以加速pip包安裝，執(zhí)行如下命令：
pip config set global.index-urlhttp://mirrors.aliyun.com/pypi/simple/
pip config set global.trusted-host mirrors.aliyun.com
pip config set global.timeout 120
2.4 安裝Pillow庫
tflite-micro的benchmark編譯過程中會依賴python環(huán)境的pillow庫，對數(shù)據(jù)集的圖片進(jìn)行預(yù)處理。
執(zhí)行如下命令，安裝pillow庫： pip install pillow
安裝過程會編譯pillow包中的C/C++源代碼文件，速度較慢，耐心等待。
如果Pillow安裝過程報(bào)錯(cuò)：The headers or library files could not be found for jpeg
需要先安裝libjpeg庫：apt-get install libjpeg-dev zlib1g-dev
三、在VisionFive上運(yùn)行TFLM3.1 下載TFLM源碼
下載tflite-micro源碼使用如下命令：
git clone <https://github.com/tensorflow/tflite-micro.git>
3.2 TFLM基準(zhǔn)測試說明
TFLM代碼倉的頂層的README.md中給出了benchmarks鏈接：
https://github.com/tensorflow/tflite-micro/blob/main/tensorflow/lite/micro/benchmarks/README.md
該文檔篇幅不長：
通過這個(gè)目錄我們可以知道，TFLM實(shí)際上提供了兩個(gè)基準(zhǔn)測試（實(shí)際有三個(gè)），分別是：
-
關(guān)鍵詞基準(zhǔn)測試
- 關(guān)鍵詞基準(zhǔn)測試使用的是程序運(yùn)行時(shí)生產(chǎn)的隨機(jī)數(shù)據(jù)作為輸入，所以它的輸出是沒有意義的
-
人體檢測基準(zhǔn)測試
- 人體檢測基準(zhǔn)測試使用了兩張bmp圖片作為輸入
- 具體位于tensorflowlitemicroexamplesperson_detectiontestdata子目錄
3.3 TFLM基準(zhǔn)測試命令
參考”Run on x86”，在x86 PC上運(yùn)行關(guān)鍵詞基準(zhǔn)測試的命令是：
make -f tensorflow/lite/micro/tools/make/Makefile run_keyword_benchmark
在PC上運(yùn)行人體檢測基準(zhǔn)測試的命令是：
make -f tensorflow/lite/micro/tools/make/Makefile run_person_detection_benchmark
執(zhí)行這兩個(gè)命令，會依次執(zhí)行如下步驟：
- 調(diào)用幾個(gè)下載腳本，下載依賴庫和數(shù)據(jù)集；
- 編譯測試程序；
- 運(yùn)行測試程序；
flatbuffers_download.sh和kissfft_download.sh腳本第一次執(zhí)行時(shí)，會將相應(yīng)的壓縮包下載到本地，并解壓，具體細(xì)節(jié)參見代碼內(nèi)容；
pigweed_download.sh腳本會克隆一個(gè)代碼倉，再檢出一個(gè)特定版本：
這里需要注意的是，代碼倉https://pigweed.googlesource.com/pigweed/pigweed國內(nèi)一般無法訪問（因?yàn)橛蛎鹓ooglesource.com被禁了）。將此連接修改為我克隆好的代碼倉：https://github.com/xusiwei/pigweed.git可以解決因?yàn)閲鴥?nèi)無法訪問googlesource.com而無法下載pigweed測試數(shù)據(jù)的問題。
3. 4 Keyword基準(zhǔn)測試
關(guān)鍵詞基準(zhǔn)測試使用的模型較小，比較適合在STM32F3/F4這類主頻低于100MHz的MCU。
這個(gè)基準(zhǔn)測試的模型比較小，計(jì)算量也不大，所以在PC上運(yùn)行這個(gè)基準(zhǔn)測試的耗時(shí)非常短：
可以看到，在PC上運(yùn)行關(guān)鍵詞喚醒的速度非常快，10次時(shí)間才2毫秒。
模型文件路徑為：./tensorflow/lite/micro/models/keyword_scrambled.tflite
可以使用Netron軟件查看模型結(jié)構(gòu)：
3. 5 Person detection基準(zhǔn)測試
人體檢測基準(zhǔn)測試的計(jì)算量相對要大一些，運(yùn)行的時(shí)間也要長一些：
可以看到，人像檢測模型運(yùn)行10次的時(shí)間是四千多毫秒，一次平均四十幾毫秒。
模型文件路徑為：./tensorflow/lite/micro/models/person_detect.tflite
同樣，可以使用Netron查看模型結(jié)構(gòu)，模型結(jié)構(gòu)過于復(fù)雜，這里不再展示。
四、和樹莓派3B+結(jié)果對比
我手頭還有一塊吃灰很久的樹莓派3B+，拿出來做個(gè)對比。
4.1 在樹莓派3B+上運(yùn)行TFLM基準(zhǔn)測試
在樹莓派3B+上運(yùn)行TFLM基準(zhǔn)測試，所需的操作和VisionFive的完全一致。由于關(guān)鍵詞識別的模型計(jì)算量太小了，這里直接跑一下人像檢測的模型，最終結(jié)果為：
可以看到，在樹莓派3B+上的，對于有人臉的圖片，連續(xù)運(yùn)行10次人臉檢測模型，總體耗時(shí)4186毫秒，每次平均耗時(shí)418.6毫秒；對于無人臉的圖片，連續(xù)運(yùn)行10次人臉檢測模型，耗時(shí)4190毫秒，每次平均耗時(shí)419毫秒。
4.2 VisionFive和樹莓派3B+上TFLM基準(zhǔn)測試結(jié)果對比
結(jié)果匯總?cè)缦拢?br />
| VisionFive V1 | 樹莓派3B+ | |
| 有人臉平均耗時(shí)（ms） | 477.6 | 418.6 |
| 無人臉平均耗時(shí)（ms） | 476.9 | 419 |
| CPU最高主頻（Hz） | 1.0GHz | 1.4G |
聲明：本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點(diǎn)僅代表作者本人，不代表電子發(fā)燒友網(wǎng)立場。文章及其配圖僅供工程師學(xué)習(xí)之用，如有內(nèi)容侵權(quán)或者其他違規(guī)問題，請聯(lián)系本站處理。
舉報(bào)投訴
-
RISC-V
+關(guān)注
關(guān)注
47文章
2706瀏覽量
51177 -
賽昉科技
+關(guān)注
關(guān)注
3文章
173瀏覽量
15224
發(fā)布評論請先 登錄
相關(guān)推薦
熱點(diǎn)推薦
【作品合集】賽昉科技VisionFive 2單板計(jì)算機(jī)開發(fā)板測評
賽昉科技VisionFive 2單板計(jì)算機(jī)開發(fā)板測評作品合集
產(chǎn)品介紹：
昉·星光 2是全球首款集成了3D GPU的高性能量產(chǎn)
發(fā)表于 09-04 09:08
【作品精選】2025電子發(fā)燒友開發(fā)板測評大賽作品合集！
Studio K230開發(fā)板搶先體驗(yàn)
賽昉科技VisionFive 2單板計(jì)算機(jī)免費(fèi)試用
速矽科技Sipeed MaixCAM Pro開發(fā)板免費(fèi)
發(fā)表于 09-03 15:24
賽昉科技入駐RuyiSDK開發(fā)者社區(qū)，雙平臺協(xié)同推進(jìn)RISC-V生態(tài)
賽昉科技（StarFive）正式入駐RuyiSDK開發(fā)者社區(qū)，攜手推動RISC-V技術(shù)創(chuàng)新。后續(xù)，賽昉科技的技術(shù)突破與生態(tài)進(jìn)展將同步在RVs
【VisionFive 2單板計(jì)算機(jī)試用體驗(yàn)】環(huán)境搭建與點(diǎn)燈實(shí)驗(yàn)
一、概況
昉·星光 2是全球首款集成了GPU的高性能RISC-V單板計(jì)算機(jī)。與昉·星光相比，
發(fā)表于 07-20 22:55
“核心技術(shù)突破+關(guān)鍵應(yīng)用支撐”，賽昉加速RISC-V生態(tài)突圍
核心技術(shù)護(hù)城河1.首款適配RISC-V核的國產(chǎn)一致性NoCIP——StarNoC-700在高性能計(jì)算分論壇上，賽昉科技IP產(chǎn)品線總經(jīng)理周杰宣布，公司自主研發(fā)的大規(guī)模一
【VisionFive 2單板計(jì)算機(jī)試用體驗(yàn)】VisionFive 2一個(gè)霸氣的游戲機(jī)
單板計(jì)算機(jī)，搭載昉·驚鴻-7110（型號：JH-7110）RISC-V應(yīng)用處理器，擁有極強(qiáng)的計(jì)算能力和圖形處理能力。開源的昉·
發(fā)表于 07-13 20:41
【VisionFive 2單板計(jì)算機(jī)試用體驗(yàn)】RISC-V架構(gòu)卡片計(jì)算機(jī)初體驗(yàn)
2h........無奈）
參考文獻(xiàn)：
全球首款集成3D GPU的高性能量產(chǎn)RISC-V 單板計(jì)算機(jī)，昉·星光 2 開發(fā)實(shí)踐！[全球首款集成3D GPU的高性能量產(chǎn)
發(fā)表于 07-06 23:28
【VisionFive 2單板計(jì)算機(jī)試用體驗(yàn)】 + 開箱體驗(yàn)
在x86與ARM架構(gòu)主導(dǎo)的單板計(jì)算機(jī)市場，中國團(tuán)隊(duì)打造的VisionFive 2（防星光2）如同一顆新星，憑借開源開放的RISC-V架構(gòu)和成熟的桌面體驗(yàn)，為開發(fā)者與極客提供了全新的選擇。經(jīng)過
發(fā)表于 06-27 09:06
共建生態(tài)，賦能應(yīng)用 | 賽昉科技精彩亮相中國RISC-V生態(tài)大會
2025中國RISC-V生態(tài)大會于近日在北京圓滿落幕。大會以“共建生態(tài)，共享未來”為主題，匯聚了中外產(chǎn)學(xué)研界各方代表，共同探討RISC-V的最新發(fā)展趨勢和產(chǎn)業(yè)機(jī)遇。作為中國RISC-V軟硬件生態(tài)
賽昉科技RISC-V家庭云解決方案：NAS存儲性能升級，隱私安全雙保障
（VisionFive2）單板計(jì)算機(jī)，推出全新RISC-V家庭云（NAS）解決方案，為用戶提供高性能、高安全性的私有云存儲服務(wù)，滿足家庭及輕量級企業(yè)場景需求。方案亮點(diǎn)01高性能硬件支持
首屆RISC-V產(chǎn)業(yè)發(fā)展大會成功舉辦，賽昉攜手產(chǎn)業(yè)伙伴共繪RISC-V新藍(lán)圖
12月28日，由中國電子工業(yè)標(biāo)準(zhǔn)化技術(shù)協(xié)會RISC-V工作委員會（以下簡稱“RISC-V工作委員會”）主辦的首屆“RISC-V產(chǎn)業(yè)發(fā)展大會”在北京成功舉辦。作為推動RISC-V生態(tài)發(fā)展
賽昉科技發(fā)布全新RISC-V處理器內(nèi)核Dubhe-83
RISC-V軟硬件生態(tài)企業(yè)賽昉科技近日宣布，正式推出其全新RISC-V處理器內(nèi)核——Dubhe-83(昉?天樞-83)，該內(nèi)核專為
賽昉科技發(fā)布全新RISC-V CPU IP，符合RVA23規(guī)范，賦能AI應(yīng)用與高效計(jì)算
2024年12月10日，中國RISC-V軟硬件生態(tài)領(lǐng)導(dǎo)者賽昉科技正式推出全新RISC-V處理器內(nèi)核——昉·天樞-83（Dubhe-83），賦
賽昉科技亮相世界互聯(lián)網(wǎng)大會，精彩呈現(xiàn)RISC-V創(chuàng)新成果
豐富的RISC-V創(chuàng)新成果，包括昉·驚鴻-7110（JH-7110）RISC-V應(yīng)用處理器，昉·星光2（VisionFive2)
預(yù)售啟動！昉·星光 2 AI套件正式發(fā)布，基于RISC-V構(gòu)建AI算力
10月24日，昉·星光2（VisionFive2）AI套件正式開啟預(yù)售。該套件由中國RISC-V軟硬件生態(tài)領(lǐng)導(dǎo)者賽
工商網(wǎng)監(jiān)
評論