如何训练一个有效的eIQ基本分类模型

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：

文件夹结构如下：

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：

(2) 以StructuredFolders导入：

(3) 点击“IMPORT”后，选择工程保存路径，点击“保存”：

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：

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：

(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：

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：

(2).设置模型保存位置，点击保存：

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：

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

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

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：

(2) 选择工程，点击GitHub Link->Next：

(3).设置保存路径，Next->Next->Finish：

(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)：

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 ：

(6) 编译工程，下载到开发板。

三、实验结果

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

• 处理器 处理器 关注

  关注

  68

  文章

  18696

  浏览量

  225596
• mcu mcu 关注

  关注

  146

  文章

  16394

  浏览量

  346222