综合色77777,好紧真爽喷水高潮视频0l一,东京热无码人妻中文字幕

本文來(lái)源電子發(fā)燒友社區(qū)，作者：xusiwei1236，帖子地址：https://bbs.elecfans.com/jishu_2289346_1_1.html

一、TFLM簡(jiǎn)介
TFLM是TensorFlow Lite for Microcontrollers項(xiàng)目的簡(jiǎn)稱(chēng)，全稱(chēng)翻譯過(guò)來(lái)就是“適用于微控制器的TensorFlow Lite”。它是一個(gè)來(lái)自谷歌的邊緣AI框架，能夠運(yùn)行在單片機(jī)上。
來(lái)自官方的介紹：

TensorFlow Lite for Microcontrollers 是 TensorFlow Lite 的一個(gè)實(shí)驗(yàn)性移植版本，它適用于微控制器和其他一些僅有數(shù)千字節(jié)內(nèi)存的設(shè)備。它可以直接在“裸機(jī)”上運(yùn)行，不需要操作系統(tǒng)支持、任何標(biāo)準(zhǔn) C/C++ 庫(kù)和動(dòng)態(tài)內(nèi)存分配。核心運(yùn)行時(shí)(core runtime)在 Cortex M3 上運(yùn)行時(shí)僅需 16KB，加上足以用來(lái)運(yùn)行語(yǔ)音關(guān)鍵字檢測(cè)模型的操作，也只需 22KB 的空間。

TFLM項(xiàng)目首頁(yè)：https://tensorflow.google.cn/lit ... s/overview?hl=zh-cn
TFLM代碼倉(cāng)鏈接：https://github.com/tensorflow/tflite-micro

二、準(zhǔn)備工作2.1 燒錄系統(tǒng)
開(kāi)始本篇之前，需要先下載、燒錄支持NVDLA驅(qū)動(dòng)的系統(tǒng)鏡像。
這里使用了社區(qū)**Houge_Langley**大佬制作的帶有NVDLA驅(qū)動(dòng)的Debian鏡像，下載連接：
http://ubuntu-riscv.litterhougelangley.club/ubuntu-impish/img/
Debian系統(tǒng)鏡像下載完成后，將Debian系統(tǒng)鏡像燒錄到SD卡上的操作和Fedora操作類(lèi)似，這里不再贅述。
啟動(dòng)后，neofetch輸出：

2.2 下載依賴(lài)
在PC的Linux系統(tǒng)上，運(yùn)行TFLM基準(zhǔn)測(cè)試之前，需要先安裝依賴(lài)的一些工具：
sudo apt install git unzip wget python3 python3-pip

2.3 設(shè)置pip源
將pip源設(shè)置為國(guó)內(nèi)源，可以加速pip包安裝，執(zhí)行如下命令：
pip config set global.index-urlhttp://mirrors.aliyun.com/pypi/simple/
pip config set global.trusted-host mirrors.aliyun.com
pip config set global.timeout 120

2.4 安裝Pillow庫(kù)
tflite-micro的benchmark編譯過(guò)程中會(huì)依賴(lài)python環(huán)境的pillow庫(kù)，對(duì)數(shù)據(jù)集的圖片進(jìn)行預(yù)處理。
執(zhí)行如下命令，安裝pillow庫(kù)： pip install pillow
安裝過(guò)程會(huì)編譯pillow包中的C/C++源代碼文件，速度較慢，耐心等待。
如果Pillow安裝過(guò)程報(bào)錯(cuò)：The headers or library files could not be found for jpeg
需要先安裝libjpeg庫(kù)：apt-get install libjpeg-dev zlib1g-dev

三、在VisionFive上運(yùn)行TFLM3.1 下載TFLM源碼
下載tflite-micro源碼使用如下命令：
git clone <https://github.com/tensorflow/tflite-micro.git>

3.2 TFLM基準(zhǔn)測(cè)試說(shuō)明
TFLM代碼倉(cāng)的頂層的README.md中給出了benchmarks鏈接：
https://github.com/tensorflow/tflite-micro/blob/main/tensorflow/lite/micro/benchmarks/README.md
該文檔篇幅不長(zhǎng)：

通過(guò)這個(gè)目錄我們可以知道，TFLM實(shí)際上提供了兩個(gè)基準(zhǔn)測(cè)試（實(shí)際有三個(gè)），分別是：

關(guān)鍵詞基準(zhǔn)測(cè)試
- 關(guān)鍵詞基準(zhǔn)測(cè)試使用的是程序運(yùn)行時(shí)生產(chǎn)的隨機(jī)數(shù)據(jù)作為輸入，所以它的輸出是沒(méi)有意義的
人體檢測(cè)基準(zhǔn)測(cè)試
- 人體檢測(cè)基準(zhǔn)測(cè)試使用了兩張bmp圖片作為輸入
- 具體位于tensorflowlitemicroexamplesperson_detectiontestdata子目錄

3.3 TFLM基準(zhǔn)測(cè)試命令
參考”Run on x86”，在x86 PC上運(yùn)行關(guān)鍵詞基準(zhǔn)測(cè)試的命令是：
make -f tensorflow/lite/micro/tools/make/Makefile run_keyword_benchmark
在PC上運(yùn)行人體檢測(cè)基準(zhǔn)測(cè)試的命令是：
make -f tensorflow/lite/micro/tools/make/Makefile run_person_detection_benchmark
執(zhí)行這兩個(gè)命令，會(huì)依次執(zhí)行如下步驟：

調(diào)用幾個(gè)下載腳本，下載依賴(lài)庫(kù)和數(shù)據(jù)集；
編譯測(cè)試程序；
運(yùn)行測(cè)試程序；

tensorflow/lite/micro/tools/make/Makefile代碼片段中，可以看到調(diào)用了幾個(gè)下載腳本：

flatbuffers_download.sh和kissfft_download.sh腳本第一次執(zhí)行時(shí)，會(huì)將相應(yīng)的壓縮包下載到本地，并解壓，具體細(xì)節(jié)參見(jiàn)代碼內(nèi)容；
pigweed_download.sh腳本會(huì)克隆一個(gè)代碼倉(cāng)，再檢出一個(gè)特定版本：

這里需要注意的是，代碼倉(cāng)https://pigweed.googlesource.com/pigweed/pigweed國(guó)內(nèi)一般無(wú)法訪(fǎng)問(wèn)（因?yàn)橛蛎鹓ooglesource.com被禁了）。將此連接修改為我克隆好的代碼倉(cāng)：https://github.com/xusiwei/pigweed.git可以解決因?yàn)閲?guó)內(nèi)無(wú)法訪(fǎng)問(wèn)googlesource.com而無(wú)法下載pigweed測(cè)試數(shù)據(jù)的問(wèn)題。

3. 4 Keyword基準(zhǔn)測(cè)試
關(guān)鍵詞基準(zhǔn)測(cè)試使用的模型較小，比較適合在STM32F3/F4這類(lèi)主頻低于100MHz的MCU。
這個(gè)基準(zhǔn)測(cè)試的模型比較小，計(jì)算量也不大，所以在PC上運(yùn)行這個(gè)基準(zhǔn)測(cè)試的耗時(shí)非常短：

可以看到，在PC上運(yùn)行關(guān)鍵詞喚醒的速度非?？?，10次時(shí)間才2毫秒。
模型文件路徑為：./tensorflow/lite/micro/models/keyword_scrambled.tflite
可以使用Netron軟件查看模型結(jié)構(gòu)：

3. 5 Person detection基準(zhǔn)測(cè)試
人體檢測(cè)基準(zhǔn)測(cè)試的計(jì)算量相對(duì)要大一些，運(yùn)行的時(shí)間也要長(zhǎng)一些：

可以看到，人像檢測(cè)模型運(yùn)行10次的時(shí)間是四千多毫秒，一次平均四十幾毫秒。
模型文件路徑為：./tensorflow/lite/micro/models/person_detect.tflite
同樣，可以使用Netron查看模型結(jié)構(gòu)，模型結(jié)構(gòu)過(guò)于復(fù)雜，這里不再展示。

四、和樹(shù)莓派3B+結(jié)果對(duì)比
我手頭還有一塊吃灰很久的樹(shù)莓派3B+，拿出來(lái)做個(gè)對(duì)比。

4.1 在樹(shù)莓派3B+上運(yùn)行TFLM基準(zhǔn)測(cè)試
在樹(shù)莓派3B+上運(yùn)行TFLM基準(zhǔn)測(cè)試，所需的操作和VisionFive的完全一致。由于關(guān)鍵詞識(shí)別的模型計(jì)算量太小了，這里直接跑一下人像檢測(cè)的模型，最終結(jié)果為：

可以看到，在樹(shù)莓派3B+上的，對(duì)于有人臉的圖片，連續(xù)運(yùn)行10次人臉檢測(cè)模型，總體耗時(shí)4186毫秒，每次平均耗時(shí)418.6毫秒；對(duì)于無(wú)人臉的圖片，連續(xù)運(yùn)行10次人臉檢測(cè)模型，耗時(shí)4190毫秒，每次平均耗時(shí)419毫秒。

4.2 VisionFive和樹(shù)莓派3B+上TFLM基準(zhǔn)測(cè)試結(jié)果對(duì)比
結(jié)果匯總?cè)缦拢?br />

	VisionFive V1	樹(shù)莓派3B+
有人臉平均耗時(shí)（ms）	477.6	418.6
無(wú)人臉平均耗時(shí)（ms）	476.9	419
CPU最高主頻（Hz）	1.0GHz	1.4G

從上表可以看到，在TFLM人像檢測(cè)模型計(jì)算場(chǎng)景下，VisionFive和樹(shù)莓派3B+單次計(jì)算耗時(shí)基本相當(dāng)。樹(shù)莓派3B+的CPU頻率比VisionFive要高出40%，VisionFive能跑出這樣的成績(jī)說(shuō)明U74 RISC-V CPU核和ARM Cortex A53的單核計(jì)算能力上差距不大（TFLM是單線(xiàn)程的）。但是，樹(shù)莓派3B+有4個(gè)Cortex A53核心，而VisionFive V1只有兩個(gè)U74 CPU核心，因此在多線(xiàn)程計(jì)算性能上必然存在較大差距。

聲明：本文內(nèi)容及配圖由入駐作者撰寫(xiě)或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀(guān)點(diǎn)僅代表作者本人，不代表電子發(fā)燒友網(wǎng)立場(chǎng)。文章及其配圖僅供工程師學(xué)習(xí)之用，如有內(nèi)容侵權(quán)或者其他違規(guī)問(wèn)題，請(qǐng)聯(lián)系本站處理。舉報(bào)投訴

RISC-V

RISC-V

+關(guān)注

關(guān)注
48

文章
2857

瀏覽量
52465
賽昉科技

賽昉科技

+關(guān)注

關(guān)注
3

文章
181

瀏覽量
15391

chinese直男口爆体育生外卖, 99久久er热在这里只有精品99, 又色又爽又黄18禁美女裸身无遮挡, gogogo高清免费观看日本电视,私密按摩师高清版在线,人妻视频毛茸茸,91论坛兴趣闲谈,欧美亚洲精品 8区,国产精品久久久久精品免费

搜索歷史

【賽昉科技昉·星光RISC-V單板計(jì)算機(jī)試用體驗(yàn)】運(yùn)行邊緣AI框架——TFLM

評(píng)論