如何手動編程將其無縫部署到TI處理器上

如果在沒有嵌入式處理器供應(yīng)商提供的合適工具和軟件的支持下，既想設(shè)計高能效的邊緣人工智能 （AI） 系統(tǒng)，同時又要加快產(chǎn)品上市時間，這項工作難免會冗長乏味。面臨的一系列挑戰(zhàn)包括選擇恰當?shù)?a href="http://www.ttokpm.com/v/tag/448/" target="_blank">深度學習模型、針對性能和精度目標對模型進行訓練和優(yōu)化，以及學習使用在嵌入式邊緣處理器上部署模型的專用工具。

從模型選擇到在處理器上部署，TI 可免費提供相關(guān)工具、軟件和服務(wù)，為您深度神經(jīng)網(wǎng)絡(luò) （DNN） 開發(fā)工作流程的每一步保駕護航。下面讓我們來了解如何不借助手動工具或手動編程來選擇模型、隨時隨地訓練模型并將其無縫部署到 TI 處理器上，從而實現(xiàn)硬件加速推理。

圖 1：邊緣 AI 應(yīng)用的開發(fā)流程

第一步：選擇模型

邊緣 AI 系統(tǒng)開發(fā)的首要任務(wù)是選擇合適的 DNN 模型，同時要兼顧系統(tǒng)的性能、精度和功耗目標。GitHub 上的 TI 邊緣 AI Model Zoo 等工具可助您加速此流程。

Model Zoo 廣泛匯集了 TensorFlow、PyTorch 和 MXNet 框架中常用的開源深度學習模型。這些模型在公共數(shù)據(jù)集上經(jīng)過預(yù)訓練和優(yōu)化，可以在 TI 適用于邊緣 AI 的處理器上高效運行。TI 會定期使用開源社區(qū)中的新模型以及 TI 設(shè)計的模型對 Model Zoo 進行更新，為您提供性能和精度經(jīng)過優(yōu)化的廣泛模型選擇。

Model Zoo 囊括數(shù)百個模型，TI 模型選擇工具（如圖 2 所示）可以幫助您在不編寫任何代碼的情況下，通過查看和比較性能統(tǒng)計數(shù)據(jù)（如推理吞吐量、延遲、精度和雙倍數(shù)據(jù)速率帶寬），快速比較和找到適合您 AI 任務(wù)的模型。

圖 2：TI 模型選擇工具

第二步：訓練和優(yōu)化模型

選擇模型后，下一步是在 TI 處理器上對其進行訓練或優(yōu)化，以獲得出色的性能和精度。憑借我們的軟件架構(gòu)和開發(fā)環(huán)境，您可隨時隨地訓練模型。

從 TI Model Zoo 中選擇模型時，借助訓練腳本可讓您在自定義數(shù)據(jù)集上為特定任務(wù)快速傳輸和訓練模型，而無需花費較長時間從頭開始訓練或使用手動工具。訓練腳本、框架擴展和量化感知培訓工具可幫助您優(yōu)化自己的 DNN 模型。

第三步：評估模型性能

在開發(fā)邊緣 AI 應(yīng)用之前，需要在實際硬件上評估模型性能。

TI 提供靈活的軟件架構(gòu)和開發(fā)環(huán)境，您可以在 TensorFlow Lite、ONNX RunTime 或 TVM 和支持 Neo AI DLR 的 SageMaker Neo 運行環(huán)境引擎三者中選擇習慣的業(yè)界標準 Python 或 C++ 應(yīng)用編程接口 （API），只需編寫幾行代碼，即可隨時隨地訓練自己的模型，并將模型編譯和部署到 TI 硬件上。在這些業(yè)界通用運行環(huán)境引擎的后端，我們的 TI 深度學習 （TIDL） 模型編譯和運行環(huán)境工具可讓您針對 TI 的硬件編譯模型，將編譯后的圖或子圖部署到深度學習硬件加速器上，并在無需任何手動工具的情況下實現(xiàn)卓越的處理器推理性能。

在編譯步驟中，訓練后量化工具可以自動將浮點模型轉(zhuǎn)換為定點模型。該工具可通過配置文件實現(xiàn)層級混合精度量化（8 位和 16 位），從而能夠足夠靈活地調(diào)整模型編譯，以獲得出色的性能和精度。

不同常用模型的運算方式各不相同。同樣位于 GitHub 上的 TI 邊緣 AI 基準工具可幫助您為 TI Model Zoo 中的模型無縫匹配 DNN 模型功能，并作為自定義模型的參考。

評估 TI 處理器模型性能的方式有兩種：TDA4VM 入門套件評估模塊 （EVM） 或 TI Edge AI Cloud，后者是一項免費在線服務(wù)，可支持遠程訪問 TDA4VM EVM，以評估深度學習推理性能。借助針對不同任務(wù)和運行時引擎組合的數(shù)個示例腳本，五分鐘之內(nèi)便可在 TI 硬件上編程、部署和運行加速推理，同時收集基準測試數(shù)據(jù)。

第四步：部署邊緣 AI 應(yīng)用程序

您可以使用開源 Linux? 和業(yè)界通用的 API 來將模型部署到 TI 硬件上。然而，將深度學習模型部署到硬件加速器上只是難題的冰山一角。

為幫助您快速構(gòu)建高效的邊緣 AI 應(yīng)用，TI 采用了 GStreamer 框架。借助在主機 Arm? 內(nèi)核上運行的 GStreamer 插件，您可以自動將計算密集型任務(wù)的端到端信號鏈加速部署到硬件加速器和數(shù)字信號處理內(nèi)核上。

圖 3 展示了適用于邊緣 AI 的 Linux Processor SDK 的軟件棧和組件。

圖 3：適用于邊緣 AI 的 Linux Processor SDK 組件

結(jié)語

如果您對本文中提及的工具感到陌生或有所擔憂，請放寬心，因為即使您想要開發(fā)和部署 AI 模型或構(gòu)建 AI 應(yīng)用，也不必成為 AI 專家。TI Edge AI Academy 能夠幫助您在自學、課堂環(huán)境中通過測驗學習 AI 基礎(chǔ)知識，并深入了解 AI 系統(tǒng)和軟件編程。實驗室提供了構(gòu)建“Hello World” AI 應(yīng)用的分步代碼，而帶有攝像頭捕獲和顯示功能的端到端高級應(yīng)用使您能夠按照自己的節(jié)奏順利開發(fā) AI 應(yīng)用。