目标检测的任务是找出图像中所有感兴趣的目标（物体），确定它们的类别和位置，是计算机视觉领域的核心问题之一。目标检测已应用到诸多领域，比如如安防、无人销售、自动驾驶和军事等。
在许多情况下，运行目标检测程序的设备并不是常用的电脑，而是仅包含必要外设的嵌入式设备。别看嵌入式设备简陋，但在上面照样能够跑程序，实现我们的想法。设计一个嵌入式AI产品产品，一般会首先考虑成本，在有限的成本内充分利用硬件的性能。因此，不同高低性能的硬件使用场景各不同。
我们讲到如何部署一个基础CNN分类模型来识别数字，本篇更进一步，将带你训练一个手势检测器，并将其部署到嵌入式设备上。
本文思维导图如下：
干货推荐
- 浙大博士导师深度整理：Tensorflow 和 Pytorch 的笔记（包含经典项目实战）
- 值得收藏，这份机器学习算法资料着实太香
- 比 PyTorch 的官方文档还香啊，吃透PyTorch中文版来了
- 赶快收藏，PyTorch 常用代码段PDF合辑版来了
01 数据集准备
我们使用一个开源数据集平台：https://gas.graviti.com/ ，网站汇总了AI开发者常见的公开数据集，针对我们特定任务，搜索对应的数据集即可，更方便一点，调用其SDK就能直接在线训练。
a. 打开本文对应数据集链接 https://gas.graviti.com/dataset/datawhale/HandPoseforK210
b. 右上角注册登录
c. fork数据集
d. 点击网页上方Developer Tools，获取使用SDK所需的AccessKey，获取到 AccessKey 后，将其存在项目根目录的gas_key.py里：
KEY = "<Your-Key>"
然后即可以通过AccessKey可以上传数据、读取数据、使用数据，灵活对接模型开发和训练，与数据pipeline快速集成。
e. AccessKey写入后就可以自由读取数据了。读取前可以开启缓存功能，SDK会在读取data后将其自动缓存至指定路径，此处我们设置缓存路径为data文件夹。
import numpy as np
from PIL import Image
from tensorbay import GAS
from tensorbay.dataset import Dataset
KEY = '复制你的ACCESSKEY替换'
def read_gas_image(data):
with data.open() as fp:
image = Image.open(fp)
image.load()
return np.array(image)
gas = GAS(KEY)
dataset = Dataset("HandPose", gas)
dataset.enable_cache("data")
segments = dataset.keys()
segment = dataset["train"]
for data in segment:
# 获取的Numpy格式的图片数据
image = read_gas_image(data)
# 标签数据
for label_box2d in data.label.box2d:
xmin = label_box2d.xmin
ymin = label_box2d.ymin
xmax = label_box2d.xmax
ymax = label_box2d.ymax
box2d_category = label_box2d.category
02 目标检测模型训练
有两种方法，第一种是使用本地GPU直接训练，若没有GPU课采用方法二。
方法 1 本地GPU进行训练
第一步： 拉取docker镜像
# 镜像名称
IMAGE="daocloud.io/neucrack/tensorflow-gpu-py3-jupyterlab"
# 拉取深度学习平台镜像
docker pull $IMAGE
# 测试，当日志出现gpu=True表示能成功使用GPU
docker run --gpus all -it --rm $IMAGE python -c "import tensorflow as tf; print('-----version:{}, gpu:{}, 1+2={}'.format(tf.__version__, tf.test.is_gpu_available(), tf.add(1, 2).numpy()) );"
第二步： 拉取本文代码，配置NNCASE，开启docker容器
git clone https://github.com/QiangZiBro/pytorch-k210
cd pytorch-k210/handpose_detection/maix_train
# 配置NNCASE
mkdir -p tools/ncc/ncc_v0.2 && cd tools/ncc/ncc_v0.2
wget https://github.com/kendryte/nncase/releases/download/v0.2.0-beta4/ncc_linux_x86_64.tar.xz
tar xvf ncc-linux-x86_64.tar.xz
cd ../../
上面的NNCASE只需要下载、解压即可，我们接下来使用Docker构建一个Linux虚拟容器环境，如下面命令开启环境：
# 开启容器
docker run --gpus all --name jupyterlab-gpu -it -p 8889:8889 -e USER_NAME=$USER -e USER_ID=`id -u $USER` -e GROUP_NAME=`id -gn $USER` -e GROUP_ID=`id -g $USER` -v `pwd`:/tf $IMAGE
开启容器后，有两种操作方式供选择
-
第一种，使用jupyter-notebook运行
-
第二种，直接进入容器内部
docker exec -it jupyterlab-gpu /bin/bash # 在容器内部，建议切换到普通用户运行 su - yourname cd /tf
这里笔者选用第二种方式。创建容器时，Docker自动在镜像里创建了一个和本机用户名相同的用户。在容器里运行程序时，强烈建议切换成普通用户运行，否则后期遇到权限问题还需要手动改权限。
第三步： 开启训练，使用Yolo V2算法数据集进行训练，具体操作方法为：
# 安装必备的包
pip3 install -r requirements.txt -i https://mirrors.aliyun.com/pypi/simple/
cd /handpose_detection/maix_train
# 初始化
python3 train.py init
# 开始训练
python3 train.py -t detector -d datasets/game train
运行上述命令即使用maix_train工具箱开始训练，这个程序能一键完成训练、参数转换、量化等功能
使用100个Epoch进行训练，得到的结果生成在out文件下。
方法2 使用在线GPU进行训练
运行时默认调用GPU训练，如果没有GPU则使用CPU，训练时间相对CPU较慢。没有GPU的小伙伴也不用担心，可以直接将数据集上传到maixhub进行在线训练。这里的限制是需要有一块K210开发板，并且数据集大小在20M以内。下面简要介绍方法：
第一步， 打开maixhub官网，https://www.maixhub.com/ModelTraining，注册、登录，根据官网提示获得机器码；
第二步， 上传数据集准备环节中从格物钛平台缓存的数据集，开始训练；
大概二十分钟后，模型就训练好了，点击Download下载训练的模型。这里的结果和上面的out文件夹下的压缩文件一样。
03 嵌入式设备部署
3.1 开发环境准备
使用kflash作为烧录工具，这个工具图形化和命令行工具都有，选取我们需要的即可。
代码编写方面，使用VSCode编辑Python代码。模型训练好的Python代码还需要微调，这里笔者已经调试好公布在托管的仓库里，大家可以直接拷贝到内存卡，或者串口连接使用。下面介绍如何将训练的模型部署到最终的硬件设备中。
3.2 烧录Micropython固件
第一步 下载Micropython固件 到https://dl.sipeed.com/shareURL/MAIX/MaixPy/release/master 下载一个bin文件，这里笔者使用的是minimum_with_kmodel_v4_support
wget https://dl.sipeed.com/fileList/MAIX/MaixPy/release/master/maixpy_v0.6.2_72_g22a8555b5/maixpy_v0.6.2_72_g22a8555b5_minimum_with_kmodel_v4_support.bin
第二步 查看K210的串口号，以笔者使用的MacOS为例：
ls /dev/cu.usbserial-*
# /dev/cu.usbserial-14330
第三步 烧录
使用命令行进行烧录示例
kflash -p /dev/cu.usbserial-14330 -b 115200 -t maixpy_v0.6.2_72_g22a8555b5_minimum_with_kmodel_v4_support.bin
使用kflash图形界面的烧录示例
3.3 烧录目标检测模型参数
有两种方式将训练模型参数部署到嵌入式设备上：
-
使用程序烧录器直接烧录到flash中的一片地址，在程序中直接加载这块地址指向的内存
-
将模型参数拷贝在SD卡上，在程序中从SD卡加载
对于第一种方法，我们一般将模型参数烧录在以0x30000为开始的内存上，结尾不需要制定，程序底层会自己判断结束点。因此，在烧录时，只需要在kflash GUI的0x00000改为0x30000即可。当然，你也可以使用命令行烧录，同样的效果。
对于第二种方法，直接将上面训练好的所用文件拷贝到SD卡，再插入K210开发板即可。
3.4 模型推理脚本
Micropython固件和模型参数烧录成功后，使用下面脚本便可以加载脚本，进行检测了。建议先打开串口，将程序复制过去运行，观察运行结果，调试到正常运行后再放置到SD卡中
第一步： 复制下面代码
# object detector boot.py
# generated by maixhub.com
import sensor, image, lcd, time
import KPU as kpu
import gc, sys
def lcd_show_except(e):
import uio
err_str = uio.StringIO()
sys.print_exception(e, err_str)
err_str = err_str.getvalue()
img = image.Image(size=(240,240))
img.draw_string(0, 10, err_str, scale=1, color=(0xff,0x00,0x00))
lcd.display(img)
def main(anchors, labels = None, model_addr="/sd/m.kmodel", sensor_window=(240,240), lcd_rotation=0, sensor_hmirror=False, sensor_vflip=False):
sensor.reset()
sensor.set_pixformat(sensor.RGB565)
sensor.set_framesize(sensor.QVGA)
sensor.set_windowing(sensor_window)
sensor.set_hmirror(sensor_hmirror)
sensor.set_vflip(sensor_vflip)
sensor.run(1)
lcd.init(type=1, invert=True)
lcd.rotation(lcd_rotation)
lcd.clear(lcd.WHITE)
if not labels:
with open('labels.txt','r') as f:
exec(f.read())
if not labels:
print("no labels.txt")
img = image.Image(size=(320, 240))
img.draw_string(90, 110, "no labels.txt", color=(255, 0, 0), scale=2)
lcd.display(img)
return 1
try:
img = image.Image("startup.jpg")
lcd.display(img)
except Exception:
img = image.Image(size=(320, 240))
img.draw_string(90, 110, "loading model...", color=(255, 255, 255), scale=2)
lcd.display(img)
try:
task = None
task = kpu.load(model_addr)
kpu.init_yolo2(task, 0.5, 0.3, 5, anchors) # threshold:[0,1], nms_value: [0, 1]
while(True):
img = sensor.snapshot()
t = time.ticks_ms()
objects = kpu.run_yolo2(task, img)
t = time.ticks_ms() - t
if objects:
for obj in objects:
pos = obj.rect()
img.draw_rectangle(pos)
img.draw_string(pos[0], pos[1], "%s : %.2f" %(labels[obj.classid()], obj.value()), scale=2, color=(255, 0, 0))
img.draw_string(0, 200, "t:%dms" %(t), scale=2, color=(255, 0, 0))
lcd.display(img)
except Exception as e:
raise e
finally:
if not task is None:
kpu.deinit(task)
if __name__ == "__main__":
try:
labels = ["raised_fist", "victory_hand", "hand_with_fingers_splayed"]
anchors = [3.96875, 8.8125, 3.25, 7.5, 4.4375, 6.4375, 3.3125, 5.15625, 6.125, 8.25]
#main(anchors = anchors, labels=labels, model_addr=0x300000, lcd_rotation=0)
main(anchors = anchors, labels=labels, model_addr="/sd/m.kmodel")
except Exception as e:
sys.print_exception(e)
lcd_show_except(e)
finally:
gc.collect()
上面代码有几点注意：
-
使用雅博的K210开发板需要在LCD初始化将invert参数置为True，即
lcd.init(type=1, invert=True) -
main函数有两种运行方式，分别表示从flash加载模型和从SD卡加载模型
第二步： 打开终端，Mac上可以使用screen和串口进行通信
screen /dev/cu.usbserial-14340 115200
# 串口号不一定一样
（常用功能退出：先ctrl+a，再按k键，按y确认）
如果成功会出现下面结果：
第三步： 拷贝程序通过串口进行交互式运行
首先按Ctrl+E，进入拷贝模式，出现下面结果
复制后Ctrl+D即可开始运行，程序运行无误后，拷贝全部文件到SD卡。程序运行成功后，效果如下
总结和思考
本文提供了一个从图像深度学习算法训练的开始，最终将其部署在嵌入式设备K210上。嵌入式AI涉及到的知识广泛，光其中的目标检测和嵌入式编程都可各写一本书。如果你是一个初学者，不要被其中深厚的知识吓到，我们可以“边打仗边学习”，在实践的过程学习。
下面提供几个小问题，以供课后思考：
-
有哪些可能的方法能够提升识别的准确率？
-
能否从数据本身出发，提高识别的性能？
-
本文的神经网络参数的参数转换流程是怎样的？