Your browser does not seem to support JavaScript. As a result, your viewing experience will be diminished, and you have been placed in read-only mode . Please download a browser that supports JavaScript, or enable it if it's disabled (i.e. NoScript).

本文作者：逍遥
个人简介：飞桨社区开发者，研究方向为计算机视觉和推理部署

本教程以搭载安谋科技“周易”(Arm China “Zhouyi”) NPU的“全志R329”开发板为例，介绍如何使用Paddle2ONNX模型转换工具将飞桨模型（以ResNet50为例）转换为ONNX模型，然后通过“周易”的AIPU工具将ONNX模型转换成.bin格式的模型，并在R329上部署。最后我们将会使用“周易”的Demo运行查看ResNet50模型在R329上的运行效果。

关于“周易” NPU

“周易”NPU是安谋科技设计的人工智能处理单元IP，采用为神经网络运行及相应的前后处理设计的专用指令集，具有均衡的可编程能力和优化的标准处理能力，融合了多种执行粒度的指令，满足不同人工智能算法需求。“周易”NPU适合各种端（边缘计算）侧人工智能设备，可以广泛应用于安防、智能家居、移动设备、物联网、车载等市场。

一、准备开发板环境

在开始部署前需要准备如下软件和硬件来配置开发板环境。

准备好后即可开始向SD卡中烧录镜像。烧录好镜像的SD卡在插入R329开发板后，即可使用UBS—Type-C数据线连接并操作R329开发板了。详细烧制过程如下所示：

1.格式化SD工具。使用SD Card Formatter软件格式化SD卡。

2.使用dd命令，烧录镜像到SD卡。

$:ls /dev/disk*    #通过插拔SD卡，确认待使用SD卡设备号；本教程SD卡号为“/dev/disk4”
$:diskutil unmountDisk /dev/disk4    #取消待使用SD卡的挂载
$:sudo dd bs=1m if=Armbian_21.08.0-trunk_Maixsense_bullseye_edge_5.14.0.img of=/dev/disk4    #使用dd命令烧录镜像（dd命令的详细使用方法可以通过输入“参见dd --–help”命令查看）
$:diskutil eject /dev/disk4    #弹出SD卡
3.插卡开机。将烧录好镜像的SD卡插入R329开发板，使用UBS—Type-C数据线将开发板和Mac电脑连接后，开发板便会自动开机。
4.在Mac电脑上利用minicom登录开发板，开展后续工作。
$:minicom -s    # 打开串口配置菜单。如下图所示，在菜单中选择“Serial port setup”后将进入设置界面。修改“A- Serial Device”为开发板串口id：“/dev/tty.usbserial-14110”，再修改“E- Bps/Par/Bits”将波特率设置为：115200 8N1，然后按Esc键退出设置界面，最后选择“Exit”退出。
$: minicom – D /dev/tty.usbserial-14110 #登录开发板
图.串口配置菜单

图.设置界面

5.配置开发板网络等，熟悉开发板使用。

利用nmtui命令为开发板配置网络，方便后续使用scp命令将Mac电脑上资料拷贝到开发板上。（注意：使用scp命令时，需要保证本地电脑和开发板在同一个局域网中）参考下方参考链接中“开箱测试”、“上手使用”详细描述，了解配置网络方法，熟悉开发板的使用。
烧录系统的具体信息请参考：https://wiki.sipeed.com/hardware/zh/maixII/M2A/MaixSense/start/start.html
二、搭建飞桨开发环境
1.安装飞桨框架
根据电脑是否有GPU硬件，从如下命令中选择一条来安装飞桨框架。本教程使用的是CPU版本的安装命令。
$:pip3 install paddlepaddle --upgrade -i https://mirror.baidu.com/pypi/simple  #安装CPU版本的飞桨框架
$:pip3 install paddlepaddle-gpu --upgrade -i https://mirror.baidu.com/pypi/simple  #安装GPU版本的飞桨框架
2.安装PaddleClas，并修改处理代码
$:git clone https://github.com/PaddlePaddle/PaddleClas.git
$:cd PaddleClas
$:sudo pip3 install -r requirements.txt   #用于安装必要的安装包。注意：请使用sudo权限，否则包下载完后安装没有权限。
$:vim ppcls/engine/engine.py    #按照下图修改engine.py中第381行代码。（由于R329配置的屏幕尺寸是224*224，因此需要将Demo的输入图像尺寸设定成固定维度。）
安装飞桨框架和PaddleClas具体方法可以参考：https://github.com/PaddlePaddle/PaddleClas/blob/release/2.1/docs/zh_CN/tutorials/install.md
3.安装Paddle2ONNX
安装Paddle2ONNX，用于将飞桨模型转换成ONNX格式。具体命令如下：
$:pip3 install paddle2onnx
$:pip3 install onnx
安装Paddle2ONNX参考链接：https://github.com/PaddlePaddle/Paddle2ONNX
三、模型格式转换
1.飞桨模型转为ONNX格式的模型：
模型转换包括两步，第1步：导出飞桨模型；第2步：将飞桨模型格式转换成ONNX模型格式。
第1步：导出飞桨格式模型
$:cd PaddleClas
$:wget -P ./cls_pretrain/ https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/legendary_models/ResNet50_vd_pretrained.pdparams   #下载飞桨训练好的分类模型
$:python3.7 tools/export_model.py -c ppcls/configs/ImageNet/ResNet/ResNet50_vd.yaml -o Global.pretrained_model=./cls_pretrain/ResNet50_vd_pretrained -o Global.save_inference_dir=./deploy/models/class_ResNet50_vd_ImageNet_infer -o Global.device=cpu   #导出飞桨模型，导出格式如下所示。
输出介绍：
├── class_ResNet50_vd_ImageNet_infer
│   ├── inference.pdiparams
│   ├── inference.pdiparams.info
│   └── inference.pdmodel
注意：在执行上述命令时，可能存在缺少对应python包的情况，直接使用pip3 install **安装即可。例如作者运行中报错ModuleNotFoundError: No module named‘sklearn'，直接pip3 install sklearn即可。
第2步：飞桨模型格式转ONNX模型格式：
$:paddle2onnx -m ./deploy/models/class_ResNet50_vd_ImageNet_infer --model_filename inference.pdmodel --params_filename inference.pdiparams -s ./deploy/models/class_ResNet50_vd_ImageNet_infer/paddle2onnx_resnet50_model.onnx --opset_version 11  #参数说明如下所示
参数说明：

-m：第一步生成.pdmodel、.pdiparams文件路径，相对路径和绝对路径均可。

-s：最终生成的ONNX模型的保存路径。
2.ONNX模型转R329支持的.bin格式模型
第1步：配置转换所需docker环境。（默认系统已经安装docker工具）
$:sudo docker pull zepan/zhouyi
$:sudo docker run -i -t zepan/zhouyi  /bin/bash
$:cd /root/demos/tflite
参考链接：https://aijishu.com/a/1060000000216857
第2步：准备模型量化校准数据。

准备模型量化校准数据操作，主要是将图像和对应标签转换成.npy格式，对于模型分类任务，如下命令执行dataset/preprocess_dataset.py即可实现数据准备工作。

$:python3 dataset/preprocess_dataset.py

输出dataset/dataset.npy和dataset/label.npy；
第3步：在docker 中利用AIPU工具进行模型转换
$:mkdir baidu
$:cd baidu
$:docker cp paddle2onnx_resnet50_model.onnx 298d15395846 :/root/demos/tflite/baidu/.  #使用docker cp命令将上一步生成的.onnx格式的模型从Mac电脑拷贝到docker容器中。
$:vim resnet_50_build_run.cfg    #配置文件完整内容见下方框格。
$:cd ..
$:aipubuild baidu/resnet_50_build_run.cfg   #在根目录下生成paddle_onnx_resnet50_50Z2_1104_build.bin模型
1.在使用aipubuild命令转换过程中，可能存在无法识别的input/ouput/layer name，是AIPU存在部分特殊字符无法识别的情况，使用node name即可避免该问题。

2.在模型转换过程中出现negative dimension错误，原因是没有按照二中“2.安装PaddleClas，并修改处理代码”步骤修改shape为“1，3，224，224”造成的。

resnet_50_build_run.cfg配置文件内容如下：其中[Parser]中input和output可以使用飞桨visualDL工具查看layer name，或者使用node name。
[Common]
mode = build
[Parser]
model_type = onnx
input_data_format = NCHW
model_name = resnet_50
detection_postprocess = 
model_domain = image_classification
input_model = ./baidu/paddle2onnx_resnet50_model.onnx
input = x
input_shape = [1, 3, 224, 224]
output = Softmax_0
[AutoQuantizationTool]
output_nodes = 
quantize_method = SYMMETRIC
ops_per_channel = DepthwiseConv
reverse_rgb = False
label_id_offset = 0
preprocess_mode = normalize
quant_precision = int8
calibration_data = ./dataset/dataset.npy 
calibration_label = ./dataset/label.npy 
[GBuilder]
output = paddle_onnx_resnet50_50Z2_1104_build.bin
profile=True
target = Z1_0701
四、运行Demo
1.下载官方Demo
通过下方链接下载官方Demo解压,并使用scp命令拷贝到开发板。该官方Demo已经完成了基于R329开发版的交叉编译工作，可直接在开发板上运行

官方Demo下载链接：
https://dl.sipeed.com/shareURL/MaixII/MaixII-A/example

如需对Demo工程或者其它AIPU工程进行交叉编译，参见下方链接。

交叉编译参考链接：https://aijishu.com/a/1060000000224083
2.运行Demo
$:scp -r zhouyi_test root@*.*.*.*:/root    #4个*为开发板IP，需要保证开发板和Mac电脑在同一个局域网
$:run.sh     #运行Demo，使用官方自带的aipu.bin模型做推理
命令行输出结果如下图所示：
官方自带的aipu.bin模型推理效果如下图，该模型在R329上推理速度约为在20fps。

3.运行飞桨模型转换Demo

将三中生成的paddle_onnx_resnet50_50Z2_1104_build.bin模型拷贝到开发板上，替换Demo中的模型，运行查看效果。
$:scp paddle_onnx_resnet50_50Z2_1104_build.bin root@*.*.*.*:/root/ zhouyi_test
$:./zhouyi_cam paddle_onnx_resnet50_50Z2_1104_builds.bin unsigned
运行效果如下：
ResnNet50原生模型在R329上推理速度约为7fps。
4.Demo函数简单说明。

该Demo教程主要程序在main.cpp函数中实现，通过OpenCV循环读取摄像头数据，送给推理引擎，对采集到的图像进行分类。其中推理引擎使用周易NPU的相关接口。
至此，利用Paddle2ONNX和周易NPU工具，即可完成分类模型的转换及部署工作。大家可结合自己具体的业务需求，借助上述步骤完成模型转换，并利用周易NPU的相关API完成推理代码，交叉编译后即可放到板子上运行。
来源：飞桨PaddlePaddle公众号
	
@q1215200171 你好，看到你最后两步使用了两个不同的模型，而无需修改后处理代码，所以很好奇，想请教你，这里的用的两个算法模型是同一个么？如果不是，为何resetnet和aipu.bin无缝替换却不用修改后处理的？

谢谢指导~！