RT-AK 之 imx6ull

中文

• 简介
• 目录结构
• 命令行参数详细说明
• 插件安装
• 命令行运行 RT-AK
• 插件内部工作流程

简介

Date: 2021/09/29

# 模板
python aitools.py --project <bsp> --model_name <model_name> --platform imx6ull

# 示例
python aitools.py --project="D:\Code\Project\imx6ullrtak\imx6ull" --model="./Models/facelandmark.tflite" --platform=imx6ull

Date: 2021/09/29

Update: 该版本插件尚未支持模型转化功能，使用的是转化好的头文件数组，后续将继续完成

本项目归属于 RT-AK 主项目中的一个子模块。

使用 tensorflow lite micro 作为插件推理后端。

• 模型支持：TFLite
• 算子支持：reference算子

该插件应用示例参考：

• 教程：docs/RT-AK之imx6ull快速上手.md

目录结构

% tree -L 2 imx6ull 
imx6ull
├── backend_plugin_imx6ull
│   ├── backend_imx6ull_tflite.c
│   ├── backend_imx6ull_tflite.h
│   └── readme.md
├── config.py  # 生成 `rt_ai_<model_name>_model.h` 的一些配置信息，保存在 <BSP>/applications
├── generate_rt_ai_model_h.py  # 生成 `rt_ai_<model_name>_model.h` ，保存在 <BSP>/applications
├── gen_rt_ai_model_c.py  # 生成 `rt_ai_<model_name>_model.c` ，保存在 <BSP>/applications
├── __init__.py
├── plugin_imx6ull_parser.py  # `imx6ull` 平台插件运行所需的参数
├── plugin_imx6ull.py  # `imx6ull` 平台插件运行主函数
├── prepare_work.py  # 生成两个文件夹，存放 TFLite库和 c-model 文件; 加载对应的 Sconscript
├── README.md
├── Sconscripts  # 模型转换之后，参与到项目 `scons` 编译的脚本文件
│   ├── Middlewares
│   └── TFLite
└── TensorflowLiteMicro  # `TFLite推理后端源码` 

命令行参数详细说明

$$ RT-AK 命令行的参数 = （RT-AK 基础参数 + imx6ull 插件参数） $$

• RT-AK 基础参数，链接

• 该部分是 RT-AK 之 STM32 插件的参数说明，详见 plugin_imx6ull_parser.py

其中需要注意的是加粗部分的三个参数，请注意看相关描述。

Parameter	Description
--tflite	运行所需的推理后端，默认为./platforms/plugin_imx6ull/TensorflowLiteMicro
--stm_out	产生的中间文件夹路径，默认是当天的时间戳命名
--enable_rt_lib	在 project/rtconfgi.h 中打开宏定义，默认是 RT_AI_USE_imx6ull
--clear	是否需要删除生成的中间文件夹 stm_out ，默认为False

插件安装

该插件无需主动安装，

只需要克隆主项目工程：RT-AK

进入到 RT-AK/rt_ai_tools 路径下，

仅需要在执行 python aitools.py --xxx 的同时指定 platform 参数为 imx6ull 即可，插件会自动下载。

命令行运行 RT-AK

请在 xxx/RTAK/tools 路径下运行该程序。

# 基础运行命令
python aitools.py --project <bsp> --model_name <model_name> --platform imx6ull

# 示例
python aitools.py --project="D:\Code\Project\imx6ullrtak\imx6ull" --model="./Models/speech_case.tflite" --platform=imx6ull --clear

完整的项目实战例程，请阅读：RT-AK之imx6ull快速上手.md

插件内部工作流程

• 模型量化

• 判断模型是否支持

• 判断 CPU 是否支持，目前是写死为imx6ull

• 在 stm_out 下生成后端推理框架和存放 c-model 的文件夹

• 将模型转换成 c-model，保存在 <stm_out>/TFLite 路径下

• 生成 rt_ai_<model_name>_model.h 文件，保存在 project/applications

• 生成 rt_ai_<model_name>_model.c 文件，保存在 project/applications

• 把 stm_out 内的两个关键文件夹加载到 project 下

• 判断是否删除 stm_out

• 解析模型的输入输出维度