IF_c8wXBr · 2021年07月18日

【周易AIPU 仿真】基于MobileNetV2的水果分类模型在R329开发板上的部署

流程一览

1.配置docker开发环境
2.训练水果分类模型
3.准备校正数据集
4.准备输入样本
5.修改目录内容及配置文件
6.运行仿真并验证结果
7.文件下载

1.配置docker开发环境

这个过程按照官方的教程来进行即可:

  • 首先下载docker镜像(自行解决网络问题): sudo docker pull zepan/zhouyi
  • 第一次运行镜像时: sudo docker run -i -t zepan/zhouyi /bin/bash
  • 后面再次进入容器前,首先查看容器的ID: docker ps,可以看到类似如下的信息,容器ID为ecf9748d25c7,可以只用前几位来表示它,如ecf

    CONTAINER ID   IMAGE          COMMAND
    ecf9748d25c7   zepan/zhouyi   "/bin/bash"   
  • docker start ecf可以启动容器,docker stop ecf可以关闭容器
  • 容器运行后,输入命令docker exec -it ecf /bin/bash即可进入容器
  • 在部署过程中可能要在容器和主机之间拷贝文件,可以参考以下命令:

    #  从主机拷贝文件到容器下的/root/目录
    docker cp /Users/Desktop/output_ref.bin ecf:/root/
    #  从容器拷贝文件到主机桌面目录
    docker cp ecf:/root/output_ref.bin /Users/Desktop/
  • 在容器的/root/demos/目录下有tflite和pb的例程,可以运行进行环境的测试,这里我们将tflite文件夹复制到/root目录下,在此基础上进行后面的部署: cp /root/demos/tflite /root/tflite

2.训练水果分类模型

这里我使用了Kaggle上的一个项目作为参考,用Keras训练了一个MobileNetV2模型,可以用来对水果和蔬菜做分类,验证集准确率为98%左右。然后可以很方便地用Keras将模型保存为.h5文件,再用TFLiteConverter将其转换为.tflite文件。参考代码:

# 保存Keras模型
keras_file = 'keras_model.h5'
tf.keras.models.save_model(model, keras_file)

# 转换模型为tflite格式
converter = tf.compat.v1.lite.TFLiteConverter.from_keras_model_file(keras_file)
tflite_model = converter.convert()

# 保存模型
with open('model.tflite', 'wb') as f:
  f.write(tflite_model)

注意:在运行训练代码和转换代码时,最好把tensorflow版本设为1.15.5,以免后面发生其它错误。
✅ 获得keras_model.h5和model.tflite文件

3.准备校正数据集

校正数据集的处理方法要跟模型训练时输入数据的处理方法保持一致。
在模型训练时,输入数据集处理的方法为:

train_generator = tf.keras.preprocessing.image.ImageDataGenerator(
    # 将图像像素点的值从(0, 255)缩放到(-1, 1)
    preprocessing_function = lambda x: (x / 127.5) - 1
)

所以在准备校正数据集时,也要将图像像素缩放到(-1, 1):

import cv2
print(train_images.class_indices)
base_dir = '../input/fruit-and-vegetable-image-recognition/train/'

filename_list = []
label_list = []

for item in train_images.class_indices:
    class_dir = base_dir + item
#     print(train_images.class_indices[item])
    filenames = os.listdir(class_dir)
    for j in range(5):
        filename_list.append(f'{class_dir}/{filenames[j]}')
        label_list.append(train_images.class_indices[item])

img_num = len(label_list)
# print(img_num, label_list)

input_height = 224
input_width = 224
input_channel = 3

images = np.zeros([img_num, input_height, input_width, input_channel], np.float32)
for file_name, img_idx in zip(filename_list, range(img_num)):   
    image = cv2.imread(file_name)
#     print(file_name, label_list[img_idx])
    image = cv2.resize(image, (input_height, input_width))
    image = np.array(image, dtype=np.float32)
    image = image / 127.5
    image = image - 1
    images[img_idx] = image

np.save('dataset.npy', images)

labels = np.array(label_list)
np.save('label.npy', labels)

✅ 获得dataset.npy和label.npy文件

4.准备输入样本

选取一张图片,对其做浮点预测,并将输出结果保存为output_ref.bin,将图片保存为input.bin

  • 预测并生成output_ref.bin

    model = tf.keras.models.load_model('./keras_model.h5')
    img_name = "../input/fruit-and-vegetable-image-recognition/train/mango/Image_13.jpg"
    img = tf.keras.preprocessing.image.load_img(
      img_name, target_size=(224, 224), color_mode='rgb',
    )
    img_array = tf.keras.preprocessing.image.img_to_array(img)
    img_array /= 127.5
    img_array -= 1
    print(img_array.max())
    img_array = tf.expand_dims(img_array, 0)
    
    predictions = model.predict(img_array, verbose=1, steps=1)
    pred = 255 * predictions
    pred = pred.astype(np.uint8)
    fw=open('output_ref.bin', 'wb')
    fw.write(pred)
    fw.close()
  • 将样本保存为input.bin

    from PIL import Image
    from matplotlib import pyplot as plt
    import numpy as np
    
    input_height=224
    input_width=224
    input_channel = 3
    mean = [127.5, 127.5, 127.5]
    var = 1
    
    img = Image.open(img_name)
    
    img1 = img.resize((input_width, input_height),Image.ANTIALIAS)
    img_arr = (np.array(img1)-mean)/var
    img_arr=img_arr.astype(np.int8)
    
    # 保存成仿真需要的bin文件
    import struct
    data=b''
    for y in range(img_arr.shape[1]):
      for x in range(img_arr.shape[0]):
          data += struct.pack('bbb',img_arr[y,x,0],img_arr[y,x,1],img_arr[y,x,2])
    
    fw = open("input.bin", "wb")
    fw.write(data)
    fw.close()
    print("save to input.bin OK")

    ✅ 获得output_ref.bin和input.bin文件

5.修改目录内容及配置文件

  • 经过上述步骤,我们得到了以下文件,将它们放到对应的文件夹(注意/root/tflite是我们在第一步时复制出来的文件夹):

    文件路径
    model.tflite/root/tflite/model
    dataset.npy/root/tflite/dataset
    label.npy/root/tflite/dataset
    output_ref.bin/root/tflite
    input.bin/root/tflite/model
  • /root/tflite/目录下新建fruit_classes.py,内容为:

    class_names = '''apple
    banana
    beetroot
    bell pepper
    cabbage
    capsicum
    carrot
    cauliflower
    chilli pepper
    corn
    cucumber
    eggplant
    garlic
    ginger
    grapes
    jalepeno
    kiwi
    lemon
    lettuce
    mango
    onion
    orange
    paprika
    pear
    peas
    pineapple
    pomegranate
    potato
    raddish
    soy beans
    spinach
    sweetcorn
    sweetpotato
    tomato
    turnip
    watermelon'''.split("\n")
  • 修改/root/tflite/quant_predict.py

    from PIL import Image
    import cv2
    from matplotlib import pyplot as plt
    import matplotlib.patches as patches
    import numpy as np
    import os
    import fruit_classes as class_name
    
    current_dir = os.getcwd()
    label_offset = 0
    outputfile = current_dir + '/output_mobilenet_v2.bin'
    # 这里的np.uint8是根据模型实际的输出数据类型来确定的
    # 可以在生成量化模型后,到/tmp目录下查看类型
    npyoutput = np.fromfile(outputfile, dtype=np.uint8)
    outputclass = npyoutput.argmax()
    print(npyoutput.sum())
    head5p = npyoutput.argsort()[-5:][::-1]
    
    labelfile = current_dir + '/output_ref.bin'
    npylabel = np.fromfile(labelfile, dtype=np.uint8)
    labelclass = npylabel.argmax()
    print(npylabel.sum())
    head5t = npylabel.argsort()[-5:][::-1]
    
    print("predict first 5 label:")
    for i in head5p:
      print("    index %4d, prob %3d, name: %s"%(i, npyoutput[i], class_name.class_names[i-label_offset]))
    
    print("true first 5 label:")
    for i in head5t:
      print("    index %4d, prob %3d, name: %s"%(i, npylabel[i], class_name.class_names[i-label_offset]))
    # Show input picture
    print('Detect picture save to result.jpeg')
    
    input_path = './model/input.bin'
    npyinput = np.fromfile(input_path, dtype=np.int8)
    image = np.clip(np.round(npyinput)+128, 0, 255).astype(np.uint8)
    image = np.reshape(image, (224, 224, 3))
    im = Image.fromarray(image)
    im.save('result.jpeg')
  • 修改cfg文件,build和run文件均只需要修改[Parser]部分内容:

    [Parser]
    model_type = tflite
    input_data_format = NHWC
    model_name = mobilenet_v2
    detection_postprocess =
    model_domain = image_classification
    input_model = ./model/model.tflite
    input = input_2
    input_shape = [1, 224, 224, 3]
    output = dense_8/Softmax
    output_dir = ./

    其中input = input_2output = dense_8/Softmax需要与模型的实际输入输出保持一致,可以通过这个网页来可视化模型结构
    image.png

6.运行仿真并验证结果

运行仿真:

aipubuild config/tflite_mobilenet_v2_run.cfg

image.png
对比结果:

python quant_predict.py

image.png
可以看到,量化后模型的预测结果与量化前模型的预测结果的top5一致,且top1的概率接近

7.文件下载

本文提到的所有文件及代码,可以从这里下载: tflite.zip(提取码: s9ri)
说明:

  1. 压缩包内的fruit-and-vegetable-classification.ipynb展示了模型的训练过程和各个重要文件的生成过程,可以在Kaggle上运行
  2. 压缩包内的tflite_test文件夹,请将其复制到docker下运行
推荐阅读
关注数
7442
内容数
92
人工智能边缘计算软硬件解决方案,提供高性能、低成本、低功耗、易使用的硬件选型方案.
目录
极术微信服务号
关注极术微信号
实时接收点赞提醒和评论通知
安谋科技学堂公众号
关注安谋科技学堂
实时获取安谋科技及 Arm 教学资源
安谋科技招聘公众号
关注安谋科技招聘
实时获取安谋科技中国职位信息