這幾年我們在日常工作生活中看到越來越多的智能終端設備的出現(xiàn)，如智能家電、商城客服機器人、物流配送無人小車、智能監(jiān)控等等，它們可以為我們生活帶來各種各樣的便利。因此，邊緣智能與 AIoT 已成為不少國內(nèi)外企業(yè)發(fā)展的一個重要方向。邊緣智能是一項以嵌入式設備應用開發(fā)為基礎(chǔ)的前沿技術(shù)，我們需要在一些資源緊張的嵌入式設備，如 MCU、SOC，部署如人臉識別、物體檢測、音頻分類等智能應用。

然而，我們又看到現(xiàn)實的嵌入式智能應用開發(fā)面正臨著一些軟硬件生態(tài)兼容方面的挑戰(zhàn)。例如，芯片廠商提供推薦的板載系統(tǒng)往往是定制的，使用不同的編譯工具，而且大多不會有 Python 解釋器。所以，當我們打算將自己的智能應用部署到嵌入式設備時，我們繞不開 AI 推理框架跨平臺的問題。

TensorFlow Lite 應用 C++ 作為框架底層的基礎(chǔ)實現(xiàn)可以天然保證跨平臺擴展特性，但由于它的這項技術(shù)的比較前沿，在嵌入式 Linux 設備上以 Python 接口為主，有些開發(fā)者不太適應，認為不易上手。為此，我們開發(fā) Edge Brain 方便開發(fā)者以其熟悉的交叉編譯方式部署 TensorFlow Lite 智能應用，讓他們的嵌入式應用走向智能化。

交叉編譯

交叉編譯是指，一種在某個系統(tǒng)平臺下可以產(chǎn)生另一個系統(tǒng)平臺的可執(zhí)行文件的編譯方式。這種方式的優(yōu)點是，當程序在目標運行系統(tǒng)平臺進行編譯比較困難時，它通過解耦編譯和運行兩個過程來實現(xiàn)更高效的程序調(diào)試。比如，在資源緊張的 Linux ARM 嵌入式系統(tǒng)平臺調(diào)試應用程序，其編譯過程往往有著很高的 CPU 占用率，更不用說我們其實希望程序的編譯與運行調(diào)試工作能并行開展。因此，交叉編譯在嵌入式智能開發(fā)有著重要的應用場景。

后面的篇幅，我們將參考官方文檔以跨平臺交叉編譯樹莓派的 TensorFlow Lite C++ 應用為例，介紹如何實現(xiàn)跨平臺部署嵌入式智能應用的部署。因為，樹莓派是 Linux ARM 嵌入式系統(tǒng)平臺的其中一種，所以我們希望本文能夠起到拋磚引玉的效果，讀者未來遇到類似的問題時，能舉一反三完成業(yè)務平臺的部署，甚至分享心得與我們一起為開源社區(qū)做貢獻。

準備 Docker 編譯環(huán)境

本文選用的交叉編譯工具為 Google 開源推出的 Bazel。其由于具有易用性的特點，已經(jīng)在大量開源 AI 項目中得到應用。在本章節(jié)，我們將手把手的帶領(lǐng)您一步一步搭建編譯環(huán)境。首先，我們不希望開發(fā)者由于環(huán)境安裝的兼容性問題，遇到系統(tǒng)軟件版本沖突的狀況。所以，我們建議大家將程序的編譯環(huán)境配置在 docker 中。這樣不僅可以保證本地環(huán)境的安全，還能方便后續(xù)環(huán)境遷移。

本文選用 ubuntu04 作為我們的基礎(chǔ)鏡像，并在其中采用 Bazel 官網(wǎng)中 Binary Installer 的安裝方式。具體步驟如下：

1. 創(chuàng)建 Dockerfile 內(nèi)容如下

From ubuntu:18.04

RUN apt update -y

&& apt install -y curl gnupg git vim python python3 python3-distutils python3-pip g++ unzip zip openjdk-11-jdk wget cmake make -y

&& pip3 install numpy

&& wget https://github.com/bazelbuild/bazelisk/releases/download/v1.7.5/bazelisk-linux-amd64

&& chmod +x bazelisk-linux-amd64

&& mv bazelisk-linux-amd64 /usr/bin/bazel

&& echo ‘export PATH=$PATH：$HOME/bin’ 》》 ~/.bashrc

&& apt-get purge -y --auto-remove

2. 在 Dockerfile 所在目錄中執(zhí)行下面的命令生成我們需要的 Docker 鏡像實現(xiàn)編譯環(huán)境的配置。

~$ docker build -t bazel-build-env:v0.01 。

Bazel TensorFlow Lite

Bazel 可以輕松完成交叉編譯，互聯(lián)網(wǎng)有許多教程介紹 toolchain 的配置原理，我們不再贅述。這里我們主要介紹交叉編譯 TensorFlow Lite 的實戰(zhàn)步驟。因為我們希望最終程序在樹莓派上使用，所以我們直接使用 TensorFlow 的 toolchain 配置即可。具體步驟如下：

1. 導入 TensorFlow 庫

TensorFlow 的 toolchain 以及 TFLite 相關(guān)的源碼均存在 github 的倉庫之中，于是我們需要使用 Bazel 將其自動下載下來，并繼承其配置文件。Bazel 提供了非常簡單的實現(xiàn)方式，即在項目根目錄下配置 WORKSPACE 文件中追加如下內(nèi)容即可：

load（“@bazel_tools//tools/build_defs/repo:http.bzl”， “http_archive”）

load（“@bazel_tools//tools/build_defs/repo:git.bzl”， “git_repository”， “new_git_repository”）

# Needed by TensorFlow

http_archive（

name = “io_bazel_rules_closure”，

sha256 = “e0a111000aeed2051f29fcc7a3f83be3ad8c6c93c186e64beb1ad313f0c7f9f9”，

strip_prefix = “rules_closure-cf1e44edb908e9616030cc83d085989b8e6cd6df”，

urls = ［

“http://mirror.tensorflow.org/github.com/bazelbuild/rules_closure/archive/cf1e44edb908e9616030cc83d085989b8e6cd6df.tar.gz”，

“https://github.com/bazelbuild/rules_closure/archive/cf1e44edb908e9616030cc83d085989b8e6cd6df.tar.gz”， # 2019-04-04

］，

）

git_repository（

name = “org_tensorflow”，

remote = “https://github.com.cnpmjs.org/tensorflow/tensorflow.git”，

tag = “v2.4.0”

）

load（“@org_tensorflow//tensorflow:workspace.bzl”， “tf_workspace”）

tf_workspace（tf_repo_name = “org_tensorflow”）

可以看到上述內(nèi)容中，我們不僅僅制定了 TensorFlow 倉庫，而且 Bazel 還允許我們通過 tag 來選擇特定版本的內(nèi)容。除此之外，在配置好 TensorFlow 倉庫之后，還能使用 @org_tensorflow 來進行額外的配置，如繼承倉庫中的 WORKSPACE 配置。

2. 修改 .bazelrc 文件

我們參考 TensorFlow 庫中的配置， 修改項目路徑中的 edge-brain/.bazelrc 如下：

# TF settings

build:elinux --crosstool_top=@local_config_embedded_arm//：toolchain

build:elinux --host_crosstool_top=@bazel_tools//tools/cpp:toolchain

build:elinux_armhf --config=elinux

build:elinux_armhf --cpu=armhf

經(jīng)過第一步的配置，我們已經(jīng)使得 Bazel 不僅知道從何處下載什么版本的 TensorFlow 源碼，還加載了 TF 倉庫中已有的相關(guān)配置。這樣當我們使用 --config elinux_armhf 時，bazel 將知道應使用 TF 庫中 @local_config_embedded_arm//：toolchain 來編譯代碼，至此便輕松的完成了交叉編譯的環(huán)境配置工作，接下來讓我們來測試下編譯環(huán)境。

3.驗證 TFLite 的 Bazel 配置

我們的 Edge Brain 倉庫已經(jīng)為你提前完成上述的相關(guān)環(huán)境配置。現(xiàn)在，我們可以執(zhí)行下面的指令嘗試編譯 TFLite 提供的 minial.cc 程序驗證編譯環(huán)境。

edge-brain$ bazel build --config elinux_armhf //examples/hello_world:hello_world --experimental_repo_remote_exec

Bazel OpenCV

OpenCV 是一個輕量高效的計算機視覺和機器學習軟件庫，可以跨平臺運行在 Linux、Windows、Android 和 MacOS 的操作系統(tǒng)上，而且集成許多圖像處理和計算機視覺方面的通用優(yōu)秀算法。再之，計算機視覺作為最先引入卷積神經(jīng)網(wǎng)絡的前沿領(lǐng)域，它的智能算法相對成熟并且已被廣泛應用于各種生活場景，如安防常用的人臉識別與目標跟蹤等都屬于這一領(lǐng)域。

但是，如前文所述，我們現(xiàn)有的嵌入式系統(tǒng)平臺的種類繁多而且硬件資源特別有限。所以， OpenCV 團隊難以支持各式各樣系統(tǒng)平臺的庫文件預編譯（binary prebuilt），而我們也不愿意忍受嵌入式系統(tǒng)上編譯 OpenCV 庫的漫長過程。因此，我們基于 Bazel 工具搭建 OpenCV 智能應用的交叉編譯環(huán)境，希望它幫助一些計算機視覺領(lǐng)域同學快速構(gòu)建他們自己的嵌入式視覺應用。

下面我們將簡單介紹 Bazel 搭建 OpenCV 編譯環(huán)境的解決思路。我們了解到 OpenCV 主要構(gòu)建工具是 CMake，所以它的所有編譯配置都寫在 CMakeList.txt 文件中。CMake 是現(xiàn)在開源項目的主流編譯工具，過去如 Caffe、Tesseract 以及 Boost 等開源項目都是用 CMake 編譯的。因此，Bazel 為了兼容 CMake 的編譯規(guī)則擴展提供一個名為 cmak_external 函數(shù)接口，實現(xiàn)對第三方庫編譯參數(shù)的控制。

cmak_external 函數(shù)接口有兩個控制編譯參數(shù)的關(guān)鍵變量：cache_entries 與 make_commands。Bazel 會根據(jù)這兩個變量的參數(shù)自動編寫一個適合的 CMake 運行腳本并執(zhí)行得到理想的編譯結(jié)果。簡單來說，我們可以認為 cmak_external 就是讓 Bazel 通過 Shell 腳本控制本地終端完成 CMake 的編譯過程。下面我們展示 edge-brain/third_party/BUILD 如何配置 OpenCV 的靜態(tài)庫編譯。

load（“@rules_foreign_cc//tools/build_defs:cmake.bzl”， “cmake_external”）

load（“//third_party:opencv_configs.bzl”，

“OPENCV_SO_VERSION”，

“OPENCV_MODULES”，

“OPENCV_THIRD_PARTY_DEPS”，

“OPENCV_SHARED_LIBS”）

exports_files（［“LICENSE”］）

package（default_visibility = ［“//visibility:public”］）

alias（

name = “opencv”，

actual = select（{

“//conditions:default”： “：opencv_cmake”，

}），

visibility = ［“//visibility:public”］，

）

OPENCV_DEPS_PATH = “$BUILD_TMPDIR/$INSTALL_PREFIX”

cmake_external（

name = “opencv_cmake”，

cache_entries = {

“CMAKE_BUILD_TYPE”： “Release”，

“CMAKE_TOOLCHAIN_FILE”： “$EXT_BUILD_ROOT/external/opencv/platforms/linux/arm-gnueabi.toolchain.cmake”，

“BUILD_LIST”： “，”.join（sorted（OPENCV_MODULES）），

“BUILD_TESTS”： “OFF”，

“BUILD_PERF_TESTS”： “OFF”，

“BUILD_EXAMPLES”： “OFF”，

“BUILD_SHARED_LIBS”： “ON” if OPENCV_SHARED_LIBS else “OFF”，

“WITH_ITT”： “OFF”，

“WITH_TIFF”： “OFF”，

“WITH_JASPER”： “OFF”，

“WITH_WEBP”： “OFF”，

“BUILD_PNG”： “ON”，

“BUILD_JPEG”： “ON”，

“BUILD_ZLIB”： “ON”，

“OPENCV_SKIP_VISIBILITY_HIDDEN”： “ON” if not OPENCV_SHARED_LIBS else “OFF”，

“OPENCV_SKIP_PYTHON_LOADER”： “ON”，

“BUILD_opencv_python”： “OFF”，

“ENABLE_CCACHE”： “OFF”，

}，

make_commands = ［“make -j4”， “make install”］ + ［“cp {}/share/OpenCV/3rdparty/lib/*.a {}/lib/”.format（OPENCV_DEPS_PATH， OPENCV_DEPS_PATH）］，

lib_source = “@opencv//：all”，

linkopts = ［］ if OPENCV_SHARED_LIBS else ［

“-ldl”，

“-lm”，

“-lpthread”，

“-lrt”，

］，

shared_libraries = select（{

“@bazel_tools//src/conditions:darwin”： ［“l(fā)ibopencv_%s.%s.dylib” % （module， OPENCV_SO_VERSION） for module in OPENCV_MODULES］，

“//conditions:default”： ［“l(fā)ibopencv_%s.so.%s” % （module， OPENCV_SO_VERSION） for module in OPENCV_MODULES］，

}） if OPENCV_SHARED_LIBS else None，

static_libraries = ［“l(fā)ibopencv_%s.a” % module for module in OPENCV_MODULES］

+ ［module for module in OPENCV_THIRD_PARTY_DEPS］ if not OPENCV_SHARED_LIBS else None，

alwayslink=True，

）

最后，我們在 edge-brain 目錄運行下面的指令編譯測試程序，并將測試程序拷貝到樹莓派上運行，從而驗證 Bazel 搭建 OpenCV 編譯環(huán)境正確性。

edge-brain$ bazel build --config elinux_armhf //examples/hello_opencv:hello-opencv --experimental_repo_remote_exec

應用實踐

下面我們將介紹如何利用 Edge Brain 的編譯環(huán)境完成實際的智能應用在嵌入式平臺的部署。

低照度圖像增強

MIRNet 是 Learning Enriched Features for Real Image Restoration and Enhancement 提出的一種圖像增強網(wǎng)絡模型。該模型學習了一組豐富的特征，這些特征結(jié)合了來自多個尺度的上下文信息，同時保留了高分辨率的空間細節(jié)。其算法的核心是：并行多分辨率卷積流，用于提取多尺度特征；跨多分辨率流的信息交換；空間和通道注意力機制來捕獲上下文信息；基于注意力的多尺度特征聚合。下面是 MIRNet 的一些原理圖示。

MIRNet 整體框架

選擇核心特征融合模塊 （Selective Kernel Feature Fusion， SKFF）

對偶注意力機制單元 （Dual Attention Unit， DAU）

下采樣模塊 （Downsampling Module）

上采樣模塊 （Upsampling Module）

Learning Enriched Features for Real Image Restoration and Enhancement

https://arxiv.org/pdf/2003.06792v2.pdf

基于 sayakpaul/MIRNet-TFLite-TRT 提供的 MIRNet 模型可以實現(xiàn)圖像照度的恢復，其運行效果如圖所示。

MIRNet-TFLite-TRT 的展示效果

最后，我們簡單介紹在樹莓派上部署這個 MIRNet 模型的實際操作。

1. 交叉編譯 MIRNet 應用。

edge-brain$ bazel build --config elinux_armhf //examples/mir_net:mir_net --experimental_repo_remote_exec

2. 將編譯出來的可執(zhí)行文件 mir_net 與它的模型文件 lite-model_mirnet-fixed_dr_1.tflite 和測試圖片 data/test.jpg 上傳至樹莓派，其中 192.168.1.2 是樹莓派的 IP。

edge-brain$ scp bazel-bin/examples/mir_net pi@192.168.1.2：~

edge-brain$ scp lite-model_mirnet-fixed_dr_1.tflite pi@192.168.1.2：~

edge-brain$ scp data/test.jpg pi@192.168.1.2：~

3. 在樹莓派的終端運行 MIRNet 應用。

~$ 。/mir_net -i=test.jpg -m=lite-model_mirnet-fixed_dr_1.tflite -o=output.jpg

4. 查看 output.jpg，可以看到運行后的結(jié)果。

使用入門

為了讓讀者能夠相當輕松地應用我們的 Edge Brain 環(huán)境入門嵌入式智能應用部署，我們介紹兩種簡單的程序編譯方式，供讀者參考完成自己的 AI 業(yè)務部署。同時，我們也歡迎各位小伙伴為開源社區(qū)貢獻你們的應用案例與實踐反饋。

編譯外部 GitHub 工程

我們以 SunAriesCN/image-classifier 的圖像分類應用為例，詳細介紹如何兩步完成外部 GitHub 工程的交叉編譯，還能為我們 Edge Brain 貢獻新案例。

1. 在 edge-brain/WORKSPACE 工程環(huán)境配置文件導入外部 image-classifier 工程。

load（“@bazel_tools//tools/build_defs/repo:git.bzl”， “git_repository”）

# Custom other thirdparty applications into repo as examples.

git_repository（

name = “image-classifier”，

remote = “https://github.com/SunAriesCN/image-classifier.git”，

commit= “72d80543f1887375abb565988c12af1960fd311f”，

）

上述代碼很清晰地告訴我們，Bazel 將從遠程倉庫 image-classifier 中拉取特定 commit 版本的代碼到本地，并以 @image-classifier 代表其路徑。我們未來可以直接使用 @image-classifier//XXX 訪問該外部工程配置的編譯文件。這樣我們不僅僅可以獲得對應的代碼文件，還能輕松的進行版本控制。

2. 在 example 文件夾中新建對應文件夾，并配置 BUILD 編譯配置描述。

SunAriesCN/image-classifier 工程項目提供了一些圖像分類的模型應用。我們可以分別將它們配置到Edge Brain 對應的 example 文件夾中。比如，我們在 edge-brain/examples 下創(chuàng)建一個 image_benchmark 案例目錄，再添加相應的 BUILD 編譯配置描述。我們將得到目錄結(jié)構(gòu)如下：

├── examples

│ ├── BUILD

│ ├── hello_opencv

│ │ ├── BUILD

│ │ └── hello-opencv.cc

│ ├── hello_world

│ │ ├── BUILD

│ │ └── minimal.cc

│ ├── image_benchmark

│ │ └── BUILD

其中，examples 下的每個目錄代表一個應用案例。而且，所有案例目錄都有一個 BUILD 文件描述對應案例項目的編譯配置。比如， image_benchmark 對應 SunAriesCN/image-classifier 的圖像分類基準測試應用。它的 BUILD 描述如下：

alias（

name=“image_benchmark”，

actual=“@image-classifier//image_classifier/apps/raspberry_pi:image_classifier_benchmark”

）

我們可以看到其內(nèi)容非常易懂，即給第三方倉庫 @image-classifier 中對應的 image_classifier_benchmark 應用創(chuàng)建別名為 image_benchmark。

完成上述外部工程導入操作后，我們可以使用下面的指令輕松完成應用的交叉編譯：

edge-brain$ bazel build --config elinux_armhf //examples/image_benchmark:image_benchmark --experimental_repo_remote_exec

為了便于 Edge Brain 項目的長期維護，同時，我們也希望能為每位開源貢獻者帶來項目成功的榮譽。我們更加推薦這種編譯外部 GitHub 工程的應用方式，畢竟它能實現(xiàn)我們項目間協(xié)同開發(fā)。只要你的項目工程也使用 Bazel 工具進行編譯，你便可以在 edge-brain 的 WORKSPACE 中添加簡單的幾行代碼配置完成嵌入式智能應用的部署。

直接添加 examples 案例

該方式也特別簡單，參考 “Bazel TensorFlow Lite” 部分內(nèi)容或 edge-brain/examples/hello_world 案例，我們在 examples 目錄下創(chuàng)建案例目錄，編寫 BUILD 描述文件以及相應的智能應用代碼，再回到 edge-brain 目錄執(zhí)行 bazel build。編譯成功后，我們從 bazel-bin/examples/hello_world 中將測試程序與相關(guān)模型文件上傳到樹莓派上運行即完成部署。

最后，如果你愿意為我們的項目貢獻代碼案例，請你在完成程序調(diào)試后，向 Edge Brain 項目提交 Pull Request，我們將繼續(xù)完善后面代碼審核和 README 文檔更新工作，最后會予以署名致謝。

原文標題：社區(qū)分享 | TensorFlow Lite 邊緣智能快速入門

文章出處：【微信公眾號：TensorFlow】歡迎添加關(guān)注！文章轉(zhuǎn)載請注明出處。

責任編輯：haq