|
科技飛速發展，人工智能與工業領域的融合日益深入。NXP旗下的i.MX 8M Plus作為一款高端工業處理器，NPU算力高達2.3TOPS，正引領著工業智能化的浪潮，為眾多工業場景帶來了前所未有的變革潛力。 圖 1 i.MX 8M Plus NPU特性 i.MX 8M Plus的NPU支持INT16/INT32/FP16/FP32等多種數據類型，兼容性卓越，與TensorFlow Lite/Arm NN/ONNX Runtime/DeepViewRT等框架無縫對接。這一特性，為開發者們打造了一個極為豐富的工具和庫生態系統，更便利進行模型開發與訓練工作，輕松應對各種復雜的大數據運算場景，無論是海量工業數據的分析處理，還是精準智能決策的模型構建，更加游刃有余。 i.MX 8M Plus NPU開發流程 第一步：模型開發 首先，從TensorFlow預訓練模型庫中選擇一個合適的模型，或根據具體任務需求創建自定義模型。然后，收集和準備訓練數據集。 第二步：模型訓練 可通過eIQ Toolkit工具調整參數（如Weight initialization、Input size、Learning rate等）優化模型性能，配置訓練參數后，開始模型訓練。 第三步：模型量化 可通過量化一個訓練后的模型，減少其大小，并加快在NPU上的推理時間，實現最小的精度損失。 圖 2 開發流程示意圖 i.MX 8M Plus 典型工業應用 圖 3 NPU開發案例演示 本文主要介紹基于i.MX 8M Plus的NPU開發案例，適用開發環境如下。 Windows開發環境：Windows 7 64bit、Windows 10 64bit 虛擬機：VMware15.5.5 開發環境：Ubuntu20.04.6 64bit U-Boot：U-Boot-2022.04 Kernel：Linux-5.15.71-rt51 LinuxSDK：Real-Time Edge Software 2.5 硬件平臺：創龍科技TLIMX8MP-EVM工業評估板（基于i.MX 8M Plus） 為了簡化描述，本文僅摘錄部分方案功能描述與測試結果，詳細產品資料請掃描文末二維碼下載。 案例說明 案例基于預訓練的TensorFlow Lite模型實現對圖片中目標對象的分類。TensorFlow Lite模型循環測試10次，統計出推理的平均處理耗時和幀率，獲取模型輸出的前五個標簽及置信度打印至串口終端并通過HDMI顯示屏繪制標簽及置信度概率最大的對象結果。 程序處理流程圖如下： 圖 4 案例演示通過網線將評估板千兆網口ETH0連接至路由器，將HDMI顯示器與評估板HDMI2 OUT接口(CON22)連接。 圖 5 在可執行文件所在目錄，執行如下命令，對圖片目標對象進行推理。Target#./mobilenetv1_label_image -m mobilenet_v1_1.0_224_quant.tflite -y ./bmp_image -l labels.txt -c 10 --external_delegate_path=/usr/lib/libvx_delegate.so 圖 6 圖 7 程序滾動識別多張圖片，以第1張圖片識別結果為例，輸出結果信息如下所示。圖 8 從輸出信息可知，本張圖片識別為桌面電腦、屏幕、監控器、筆記本電腦、桌子的概率分別為53.7255%、20%、7.45098%、4.31373%、2.7451%，程序循環運行10次模型平均耗時為2.6519ms，幀率為377fps。案例程序對測試圖片的目標對象進行識別后，通過HDMI顯示屏繪制標簽及置信度概率最大的對象結果如下所示。 圖 9 若您希望深入了解更多i.MX 8M Plus相關的精彩案例演示，可以通過公眾號(Tronlong創龍科技）獲取詳細資料，快來一起試試吧！ |
