原创 Edgeboard试用—基于CIFAR10分类模型的移植

前言

在上一周的测试中，我们按照官方给的流程，使用EasyDL快速实现了一个具有性别检测功能的人脸识别系统，那么

今天，我们将要试一下通过Paddlepaddle从零开始，训练一个自己的多分类模型，并进行嵌入式部署。 整个训练

过程和模型在：https://aistudio.baidu.com/aistudio/projectDetail/61103 下面详细介绍模型训练的过程.

数据集准备

我们使用CIFAR10数据集。CIFAR10数据集包含60,000张32x32的彩色图片，10个类别，每个类包含6,000张。其中

50,000张图片作为训练集，10000张作为验证集。

1. !mkdir ‐p /home/aistudio/.cache/paddle/dataset/cifar 
2. # wget将下载的文件存放到指定的文件夹下，同时重命名下载的文件，利用‐O 
3. !wget "http://ai‐atest.bj.bcebos.com/cifar‐10‐python.tar.gz" ‐O cifar‐10‐python.tar.gz 
4. !mv cifar‐10‐python.tar.gz /home/aistudio/.cache/paddle/dataset/cifar/ 

模型结构

我们选择了以三个卷积层串联一个全连接层的输出，作为猫狗分类的预测，采用固定维度输入，输出为分类数

1. def convolutional_neural_network(img): 
2. # 第一个卷积‐池化层 
3. conv_pool_1 = fluid.nets.simple_img_conv_pool( 
4. input=img, # 输入图像 
5. filter_size=5, # 滤波器的大小 
6. num_filters=20, # filter 的数量。它与输出的通道相同 
7. pool_size=2, # 池化层大小2*2 
8. pool_stride=2, # 池化层步长 
9. act="relu") # 激活类型 
10. # 第二个卷积‐池化层 
11. conv_pool_2 = fluid.nets.simple_img_conv_pool( 
12. input=conv_pool_1, 
13. filter_size=5, 
14. num_filters=50, 
15. pool_size=2, 
16. pool_stride=2, 
17. act="relu") 
18. # 第三个卷积‐池化层 
19. conv_pool_3 = fluid.nets.simple_img_conv_pool( 
20. input=conv_pool_2, 
21. filter_size=5, 
22. num_filters=50, 
23. pool_size=2, 
24. pool_stride=2, 
25. act="relu") 
26. # 以softmax为激活函数的全连接输出层，10类数据输出10个数字 
27. prediction = fluid.layers.fc(input=conv_pool_3, size=10, act='softmax') 
28. return prediction 

训练&验证

接下来在Paddlepaddle fluid上，进行训练。整个训练代码见附件train.py 模型验证,采用附件predict.py的代码进

行验证与运行时间的测量，选取一张狗的图：dog.jpg (可以fork首页链接aistudio平台上的demo) 连续预测10000

次，输出如下:

1. CPU 运行结果为：预处理时间为0.0006270000000085929，预测时间为：16.246494 
2. Out: 
3. im_shape的维度： (1, 3, 32, 32) 
4. The run time of image process is 
5. 0.0006270000000085929 
6. The run time of predict is 
7. 16.246494 
8. results [array([[5.0159363e‐04, 3.5942634e‐05, 2.5955746e‐02, 4.7745958e‐02, 
9. 9.9251214e‐03, 9.0146154e‐01, 1.9564393e‐03, 1.2230080e‐02, 
10. 4.7619540e‐08, 1.8753216e‐04]], dtype=float32)] 
11. infer results: dog 

1. GPU V100 运行结果为：预处理时间为0.0006390000000067175，预测时间为：15.903074000000018 
2. Out: 
3. im_shape的维度： (1, 3, 32, 32) 
4. The run time of image process is 
5. 0.0006390000000067175 
6. The run time of predict is 
7. 15.903074000000018 
8. results [array([[5.0159392e‐04, 3.5942641e‐05, 2.5955772e‐02, 4.7746032e‐02, 
9. 9.9251205e‐03, 9.0146142e‐01, 1.9564414e‐03, 1.2230078e‐02, 
10. 4.7619821e‐08, 1.8753250e‐04]], dtype=float32)] 
11. infer results: dog 

可以看到,模型可以正确的识别出图片中的动物为狗，接下来，我们就要尝试将这个模型部署到Edgeboard上面。

模型导出

我们需要将模型保存为模型文件model以及权重文件params,可以采用如下Paddle的API进行保存如图所示，在AiStudio的左侧打开模型文件所在的文件夹，下载mlp-model、mlp-params两个文件。

在Edgeboard上部署模型，完成预测

1、新建工程文件夹，目录结构如下(可以仿照sample里的resnet、inception例程)：

1. ‐sample_image_catdog 
2.       ‐build 
3.       ‐image 
4.       ‐include 
5.              ‐paddlepaddle‐mobile 
6.              ‐... 
7.       ‐lib 
8.             ‐libpaddle‐mobile.so 
9.       ‐model 
10.           ‐mlp 
11.              ‐model 
12.              ‐params 
13.       ‐src 
14.              ‐fpga_cv.cpp 
15.              ‐main.cpp 

2、将AiStudio上导出来的模型放置在model里的mlp文件夹，修改名字为model、params

3、新建 CMakeLists.txt

1. cmake_minimum_required(VERSION 3.5.1) 
2. project(paddle_edgeboard) 
3. set(CMAKE_CXX_STANDARD 14) 
4. set(CMAKE_EXE_LINKER_FLAGS "${CMAKE_EXE_LINKER_FLAGS} ‐pthread") 
5. add_definitions(‐DPADDLE_MOBILE_FPGA_V1) 
6. add_definitions(‐DPADDLE_MOBILE_FPGA) 
7. set(PADDLE_LIB_DIR "${PROJECT_SOURCE_DIR}/lib" ) 
8. set(EASYDL_INCLUDE_DIR "${PROJECT_SOURCE_DIR}/include" ) 
9. set(PADDLE_INCLUDE_DIR "${PROJECT_SOURCE_DIR}/include/paddle‐mobile" ) 
10. set(APP_NAME "paddle_edgeboard" ) 
11. aux_source_directory(${CMAKE_CURRENT_SOURCE_DIR}/src SRC) 
12. find_package(OpenCV QUIET COMPONENTS core videoio highgui imgproc imgcodecs ml video) 
13. include_directories(SYSTEM ${OpenCV_INCLUDE_DIRS}) 
14. #list(APPEND Caffe_LINKER_LIBS ${OpenCV_LIBS}) 
15. message(STATUS "OpenCV found (${OpenCV_CONFIG_PATH})，${OpenCV_LIBS}") 
16. #add_definitions(‐DUSE_OPENCV) 
17. include_directories(${EASYDL_INCLUDE_DIR}) 
18. include_directories(${PADDLE_INCLUDE_DIR}) 
19. LINK_DIRECTORIES(${PADDLE_LIB_DIR}) 
20. add_executable(${APP_NAME} ${SRC}) 
21. target_link_libraries(${APP_NAME} paddle‐mobile) 
22. target_link_libraries(${APP_NAME} ${OpenCV_LIBS} ) 

4、main.cpp

1. #include <iostream> 
2. #include "io/paddle_inference_api.h" 
3. #include "math.h" 
4. #include <stdlib.h> 
5. #include <unistd.h> 
6. #include <fstream> 
7. #include <ostream> 
8. #include <fstream> 
9. #include <iomanip> 
10. #include <typeinfo> 
11. #include <typeindex> 
12. #include <vector> 
13. #include<ctime> 
14. #include "fpga/KD/float16.hpp" 
15. #include "fpga/KD/llapi/zynqmp_api.h" 
16. using namespace paddle_mobile; 
17. #include <opencv2/highgui.hpp> 
18. #include <opencv2/imgproc.hpp> 
19. using namespace cv; 
20. cv::Mat sample_float; 
21. static std::vector<std::string> label_list(10); 
22. void readImage(std::string filename, float* buffer) { 
23. Mat img = imread(filename); 
24. if (img.empty()) { 
25. std::cerr << "Can't read image from the file: " << filename << std::endl; 
26. exit(‐1); 
27. } 
28. Mat img2; 
29. resize(img, img2, Size(32,32)); 
30. img2.convertTo(sample_float, CV_32FC3); 
31. int index = 0; 
32. for (int row = 0; row < sample_float.rows; ++row) { 
33. float* ptr = (float*)sample_float.ptr(row); 
34. for (int col = 0; col < sample_float.cols; col++) { 
35. float* uc_pixel = ptr; 
36. // uc_pixel[0] ‐= 102; 
37. // uc_pixel[1] ‐= 117; 
38. // uc_pixel[1] ‐= 124; 
39. float r = uc_pixel[0]; 
40. float g = uc_pixel[1]; 
41. float b = uc_pixel[2]; 
42. buffer[index] = b / 255.0; 
43. buffer[index + 1] = g / 255.0; 
44. buffer[index + 2] = r / 255.0; 
45. // sum += a + b + c; 
46. ptr += 3; 
47. // DLOG << "r:" << r << " g:" << g << " b:" << b; 
48. index += 3; 
49. } 
50. } 
51. // return sample_float; 
52. } 
53. PaddleMobileConfig GetConfig() { 
54. PaddleMobileConfig config; 
55. config.precision = PaddleMobileConfig::FP32; 
56. config.device = PaddleMobileConfig::kFPGA; 
57. // config.model_dir = "../models/mobilenet/"; 
58. config.prog_file = "../model/mlp/model"; 
59. config.param_file = "../model/mlp/params"; 
60. config.thread_num = 4; 
61. return config; 
62. } 
63. int main() { 
64. clock_t startTime,endTime; 
65. zynqmp::open_device(); 
66. std::cout << " open_device success " << std::endl; 
67. PaddleMobileConfig config = GetConfig(); 
68. std::cout << " GetConfig success " << std::endl; 
69. auto predictor = 
70. CreatePaddlePredictor<PaddleMobileConfig, 
71. PaddleEngineKind::kPaddleMobile>(config); 
72. std::cout << " predictor success " << std::endl; 
73. startTime = clock();//计时开始 
74. float data[1 * 3 * 32 * 32] = {1.0f}; 
75. readImage("../image/cat.jpg", data); 
76. endTime = clock();//计时结束 
77. std::cout << "The run time of image process is: " <<(double)(endTime ‐ startTime) / 
78. CLOCKS_PER_SEC << "s" << std::endl; 
79. PaddleTensor tensor; 
80. tensor.shape = std::vector<int>({1, 3, 32, 32}); 
81. tensor.data = PaddleBuf(data, sizeof(data)); 
82. tensor.dtype = PaddleDType::FLOAT32; 
83. std::vector<PaddleTensor> paddle_tensor_feeds(1, tensor); 
84. PaddleTensor tensor_out; 
85. tensor_out.shape = std::vector<int>({}); 
86. tensor_out.data = PaddleBuf(); 
87. tensor_out.dtype = PaddleDType::FLOAT32; 
88. std::vector<PaddleTensor> outputs(1, tensor_out); 
89. std::cout << " before predict " << std::endl; 
90. predictor‐>Run(paddle_tensor_feeds, &outputs); 
91. std::cout << " after predict " << std::endl; 
92. // assert(); 
93. endTime = clock();//计时结束 
94. std::cout << "The run time of predict is: " <<(double)(endTime ‐ startTime) / CLOCKS_PER_SEC 
95. << "s" << std::endl; 
96. float* data_o = static_cast<float*>(outputs[0].data.data()); 
97. for (size_t j = 0; j < outputs[0].data.length() / sizeof(float); ++j) { 
98. std::cout << "output[" << j << "]: " << data_o[j] << std::endl; 
99. } 
100. int index = 0; 
101. float max = 0.0; 
102. for (int i = 0;i < 10; i++) { 
103. float val = data_o; 
104. if (val > max) { 
105. max = val > max ? val : max; 
106. iindex = i; 
107. } 
108. } 
109. label_list = {"airplane", "automobile", "bird", "cat", "deer", "dog", "frog", "horse", 
110. "ship", "truck" }; 
111. std::cout << "Result" << " is " << label_list[index] << std::endl; 
112. return 0; 
113. } 

5、编译运行

1. insmod /home/root/workspace/driver/fpgadrv.ko 
2. cd /home/root/workspace/sample/sample_image_catdog 
3. mkdir build 
4. cd build 
5. rm ‐rf * 
6. cmake .. 
7. make 
8. ./paddle_edgeboard 

修改main文件要预测的图像：

6、修改main文件后重复执行预测，可得结果如下：图像处理时间大概为：0.006秒，预测时间大概为：0.008秒

7、连续预测10000次所用时间为：23.7168

性能对比（连续预测10000次 单位：秒）

总结

优点：

1. EdgeBoard内置的Paddle-Mobile，可以与Paddle训练出来的模型进行较好的对接。

2. 预测速度上: Edge在预测小模型的时候，能与双核CPU和GPU在一个数量级，估计是模型较小，batch size也

为1，gpu，cpu的性能优势抵不过通信的开销，后续将进行大模型、高batch size的测试。

3. 提供的demo也足够简单，修改起来难度很低。

不足：

1. Paddle-Mobile相关文档具有一定门槛，且较为分散。初次使用的时候会走一些弯路出现问题的时候往往是个

黑盒，不易于定位。在这次进行模型训练的尝试中，出现过一次op不支持的情况，我们在官网上甚至没有找

到支持的op列表，这个在开发哥们的支持下升级版本后解决。如果后续能在稳定的固件版本下使用，并有比

较易用的sdk，开发门槛可能会进一步降低。