12
SunnyCase · 2022年12月04日 · 北京市

【聆思CSK6 视觉AI开发套件试用】人脸识别和 tflite-micro 语音识别推理实验

AIoT自然语言处理 NLPTensorFlowMCU”星辰“CPU

1. 前言

非常幸运得到这次测评 CSK6 视觉AI开发套件的机会，在这里先感谢极术社区和聆思科技举办的活动。这次试用下来，从工具链、SDK、文档到示例，让我体会到了聆思科技在 AI 芯片深厚的技术积累，我只有一个评价：专业 👍。

2. CSK6芯片简介

CSK6 是聆思科技新一代的 AI 芯片 SoC 产品系列，采用多核异构架构，集成了 ARM Star MCU，HiFi4 DSP，以及聆思全新设计的 AI 神经网络处理内核 NPU，算力达到 128 GOPS。多核异构的设计使芯片能以较低功耗满足音频及图像视频的 AI 应用需求。

本系列芯片集成了 SRAM 与 PSRAM，支持内置或外接Flash，可提供最高 4 入 2 出的 Audio Codec，VGA 像素的 DVP 摄像头接口，多达 6 路的触控检测以及 SPI、UART、USB、SDIO、I2C、I2S 等各类外设接口，丰富接口支持各类应用方案的开发。

3. 开发环境搭建

CSK6 的开发环境搭建非常简单，只需要参考 官方文档
我个人使用家里工作站上的 ubuntu 20.04 进行编译，PC 的 windows 11 用来烧录和查看，代码和编译结果都在 NAS 上，所以这里遇到了一点问题：
官方提供的离线包是 snap 包，而 snap 不支持访问某些自行 mount 的目录，也就没法访问我的 NAS 😂。
于是我还是采用了在线安装的方式：

curl -o- https://cdn.iflyos.cn/public/cskTools/lisa-zephyr-install.sh | bash

SDK 会安装在 ~/.listenai 目录。

4. 人脸识别

  1. clone sample

    lisa zep create --from-git https://cloud.listenai.com/zephyr/applications/app_algo_fd_sample_for_csk6.git

  2. 编译固件

    lisa zep build -b csk6011a_nano

    看到如下显示就表示成功了

    [248/248] Linking C executable zephyr/zephyr.elf
Memory region         Used Size  Region Size  %age Used
        FLASH:      191040 B        16 MB      1.14%
         SRAM:      127504 B       320 KB     38.91%
         ITCM:        6268 B        16 KB     38.26%
         DTCM:          64 B        16 KB      0.39%
      PSRAMAP:     1591536 B      2164 KB     71.82%
 PSRAMAP_NOCACHE:          0 GB      1804 KB      0.00%
     IDT_LIST:          0 GB         2 KB      0.00%

✔ 构建成功

  3. 烧录固件和资源
    我需要在 windows 上查看结果，可以使用 cskburn，可以在 GitHub release 下载
    串口查看工具可以使用免费的 MobaXterm。
    烧录 DSP 固件和模型资源

    (base) PS D:\Software\Development\listenai> .\cskburn -s \\.\COM5 -b 748800 -C 6 0x400000 "X:\work\repo\csk6-learn\app_algo_fd_sample_for_csk6\resource\cp.bin" 0x500000 "X:\work\repo\csk6-learn\app_algo_fd_sample_for_csk6\resource\res.bin"
Partition 1: 0x00400000 (783.35 KB) - X:\work\repo\csk6-learn\app_algo_fd_sample_for_csk6\resource\cp.bin
Partition 2: 0x00500000 (7003.59 KB) - X:\work\repo\csk6-learn\app_algo_fd_sample_for_csk6\resource\res.bin
Waiting for device...
Entering update mode...
Detected flash size: 16 MB
Burning partition 1/2... (0x00400000, 783.35 KB)
783.35 KB / 783.35 KB (100.00%)
Burning partition 2/2... (0x00500000, 7003.59 KB)
7003.59 KB / 7003.59 KB (100.00%)
Finished

    烧录固件

    (base) PS D:\Software\Development\listenai> .\cskburn -s \\.\COM5 -b 748800 -C 6 0x0 "X:\work\repo\csk6-learn\app_algo_fd_sample_for_csk6\build\zephyr\zephyr.bin"
Partition 1: 0x00000000 (186.56 KB) - X:\work\repo\csk6-learn\app_algo_fd_sample_for_csk6\build\zephyr\zephyr.bin
Waiting for device...
Entering update mode...
Detected flash size: 16 MB
Burning partition 1/1... (0x00000000, 186.56 KB)
186.56 KB / 186.56 KB (100.00%)
Finished

  4. PC 查看结果
    拉取查看工具

    git clone https://cloud.listenai.com/zephyr/applications/csk_view_finder_spd.git

    按照提示安装驱动选择设备并连接
    image.png
    就可以实时查看识别结果了
    image.png

5. tflite-micro 语音识别推理测试

  1. 新建项目

    lisa zep create tflite_micro --from hello_world

    选择 hello-world，输入项目名 tflite_micro

  2. 启用 tflite-micro 和 C++ 支持
    启动 menuconfig

    lisa zep build -t menuconfig -b csk6011a_nano
    • Modules 里打开 tflite micro support
    • C Library 中选择 Newlib C Library
    • Sub Systems and OS Services 中选中 C++ support for the application

  3. 编写测试
    主要功能是加载 micro_speech.tflite 模型并识别一段语音是 yes or no
    main.cpp 代码如下
    注：GenerateMicroFeatures 无法链接成功，于是使用了预先生成好的 features。

    /*
 * Copyright (c) 2012-2014 Wind River Systems, Inc.
 *
 * SPDX-License-Identifier: Apache-2.0
 */

#include <zephyr/zephyr.h>
#include <tensorflow/lite/micro/all_ops_resolver.h>
#include <tensorflow/lite/micro/micro_error_reporter.h>
#include <tensorflow/lite/micro/micro_interpreter.h>
#include <tensorflow/lite/schema/schema_generated.h>
#include <tensorflow/lite/micro/testing/micro_test.h>
#include "micro_features_generator.h"
#include "micro_model_settings.h"
#include "yes_micro_features_data.h"

#define INCBIN_STYLE INCBIN_STYLE_SNAKE
#include "incbin.h"

INCBIN(micro_speech_tflite, "micro_speech.tflite");

const int tensor_arena_size = 64 * 1024;
uint8_t tensor_arena[tensor_arena_size];

TF_LITE_MICRO_TESTS_BEGIN

TF_LITE_MICRO_TEST(CSK6_TFLITE)
{
 printk("Hello CSK6 TFLITE! %s\n", CONFIG_BOARD);

 micro_test::tests_passed = 0;
 micro_test::tests_failed = 0;
 tflite::InitializeTest();

 tflite::MicroErrorReporter micro_error_reporter;
 tflite::ErrorReporter *error_reporter = &micro_error_reporter;

 const tflite::Model *model = ::tflite::GetModel(gmicro_speech_tflite_data);
 if (model->version() != TFLITE_SCHEMA_VERSION)
 {
     TF_LITE_REPORT_ERROR(error_reporter,
                          "Model provided is schema version %d not equal "
                          "to supported version %d.\n",
                          model->version(), TFLITE_SCHEMA_VERSION);
 }

 tflite::MicroMutableOpResolver<4> micro_op_resolver;
 micro_op_resolver.AddDepthwiseConv2D();
 micro_op_resolver.AddFullyConnected();
 micro_op_resolver.AddReshape();
 micro_op_resolver.AddSoftmax();

 tflite::MicroInterpreter interpreter(model, micro_op_resolver, tensor_arena, tensor_arena_size, error_reporter);
 interpreter.AllocateTensors();
 TfLiteTensor *input = interpreter.input(0);

 TF_LITE_MICRO_EXPECT(input != nullptr);
 TF_LITE_MICRO_EXPECT_EQ(2, input->dims->size);
 TF_LITE_MICRO_EXPECT_EQ(1, input->dims->data[0]);
 TF_LITE_MICRO_EXPECT_EQ(1960, input->dims->data[1]);
 TF_LITE_MICRO_EXPECT_EQ(kTfLiteInt8, input->type);

 const int8_t *yes_features_data = g_yes_micro_f2e59fea_nohash_1_data;
 for (size_t i = 0; i < input->bytes; ++i)
 {
     input->data.int8[i] = yes_features_data[i];
 }

 TfLiteStatus invoke_status = interpreter.Invoke();
 if (invoke_status != kTfLiteOk)
 {
     MicroPrintf("Invoke failed\n");
 }
 TF_LITE_MICRO_EXPECT_EQ(kTfLiteOk, invoke_status);

 const int kSilenceIndex = 0;
 const int kUnknownIndex = 1;
 const int kYesIndex = 2;
 const int kNoIndex = 3;

 TfLiteTensor *output = interpreter.output(0);
 TF_LITE_MICRO_EXPECT_EQ(2, output->dims->size);
 TF_LITE_MICRO_EXPECT_EQ(1, output->dims->data[0]);
 TF_LITE_MICRO_EXPECT_EQ(4, output->dims->data[1]);
 TF_LITE_MICRO_EXPECT_EQ(kTfLiteInt8, output->type);
 // Make sure that the expected "Yes" score is higher than the other classes.
 uint8_t silence_score = output->data.int8[kSilenceIndex] + 128;
 uint8_t unknown_score = output->data.int8[kUnknownIndex] + 128;
 uint8_t yes_score = output->data.int8[kYesIndex] + 128;
 uint8_t no_score = output->data.int8[kNoIndex] + 128;
 TF_LITE_MICRO_EXPECT_GT(yes_score, silence_score);
 TF_LITE_MICRO_EXPECT_GT(yes_score, unknown_score);
 TF_LITE_MICRO_EXPECT_GT(yes_score, no_score);
}

TF_LITE_MICRO_TESTS_END

  4. 烧录运行

    (base) PS D:\Software\Development\listenai> .\cskburn -s \\.\COM5 -b 748800 -C 6 0x0 "X:\work\repo\csk6-learn\tflite_micro\build\zephyr\zephyr.bin"
Partition 1: 0x00000000 (156.93 KB) - X:\work\repo\csk6-learn\tflite_micro\build\zephyr\zephyr.bin
Waiting for device...
Entering update mode...
Detected flash size: 16 MB
Burning partition 1/1... (0x00000000, 156.93 KB)
156.93 KB / 156.93 KB (100.00%)
Finished

    串口打印

    **** Booting Zephyr OS build v1.1.1-alpha.2  ***
Testing CSK6_TFLITE
Hello CSK6 TFLITE! csk6011a_nano
1/1 tests passed
~~~ALL TESTS PASSED~~~

    正确识别出了 yes

6. 碎碎念

希望官方快点放出 DSP 和 NPU 的工具链呀~

12 阅读 1.8k
推荐阅读
「59页PDF」自然语言处理 NLP 基本概念大全（免费下载） NLP面试宝典：38个最常见NLP问题答案一文get Arm中国“星辰”处理器量产！与Cortex-M有何区别？ 腾讯开源 TurboTransformers：自然语言处理推理加速工具 MM32F5 系列漫谈 1：“星辰” 处理器？！ NLP自然语言处理的开发环境搭建
聆思科技AI芯片
关注数
5175
内容数
100
聆思科技官方专栏，专注AIOT芯片，持续分享有趣的解决方案。商务合作微信：listenai-csk 技术交流QQ群：825206462
关注专栏 专栏主页
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