RT-AK 簡介

RT-AK： RT-Thread AI kit，RT-Thread AI 套件

RT-AK 是 RT-Thread 團隊為 RT-Thread 實時操作系統所開發的 AI 套件，能夠一鍵將 AI 模型部署到 RT-Thread 項目中，讓用戶可以 在統一的 API 之上進行業務代碼開發，又能在目標平臺上獲得極致優化的性能，從而更簡單方便地開發端側 AI 應用程序。

在 RT-AK 支持下，僅需要一行命令，python aitools.py --model xxx.。.，即可將 AI 模型部署到 RT-Thread 系統中：

詳細的命令請查閱：［如何運行 aitools.py］（# step1 運行 rt_ai_tools/aitools.py）

開源鏈接：https://github.com/RT-Thread/RT-AK

示例DEMO

本教程 RT-AK 適配目標平臺：STM32

以下項目為 RT-AK 的示例 Demo，基于 ART-PI 硬件平臺和 Mnist 數據集。

1. 準備工作

Windows 10

Python 》= 3.7

準備以下四份重要重要重要的材料：

1.1 X-CUBE-AI 介紹

TO DO LIST： 最新的版本是 V6.0.0，目前使用的是 V5.2.0，稍后的 RT-AK 將會更新

X-CUBE-AI 是 STM32Cube.AI 生態系統的 STM32Cube 擴展軟件包的一部分，能夠自動轉換預訓練的神經網絡。

X-CUBE-AI

下載界面

1.2 X-CUBE-AI 解壓

下載后的文件夾界面

其中：

stm32ai-windows-5.2.0.zip 是我們所需要，該文件夾里面存放的是 X-CUBE-AI 模型轉換軟件：stm32ai

STMxxx.pack 是 STM32Cube.AI 的靜態庫文件，無需解壓，已經存在。

解壓 stm32ai-windows-5.2.0.zip 。

例：在這里我將其解壓到：D:Program Files （x86）stm32ai-windows-5.2.0 ，可以在該路徑下看見有一個 windows 文件夾。

記下該路徑，重要重要重要

STM32： X-CUBE-AI 解壓路徑

1.3 ART-PI BSP

先打開 RT-Thread Studio

新建 ART-PI BSP

如果在開發板的地方，沒有找到 STM32H750-RT-ART-PI，請查閱：

RT-Thread Studio 新建 ART-PI

2. 執行步驟

Step1 運行 rt_ai_tools/aitools.py

代碼將會自動使用 STM32Cube.AI 的模型轉換工具，獲得一個集成了 AI 的 BSP

對，就是這么硬核，一步肝到位！

內部的流程請看源碼或者 plugin_stm32 倉庫下的 readme 文檔

運行命令

進入 edge-ai/RTAK/tools 路徑，運行 aitools.py。

1# 運行命令

2python aitools.py --project=《your_project_path》 --model=《your_model_path》 --platform=stm32 --ext_tools=《your_x-cube-ai_path》 --clear

3

4# 示例

5python aitools.py --project=“D:RT-ThreadStudioworkspace est” --model=“。/Models/keras_mnist.h5” --platform=stm32 --ext_tools=“D:Program Files （x86）stm32ai-windows-5.2.0windows” --clear

運行到該步驟操作已經結束，后續是補充說明。

運行命令其他參數補充說明

1# 指定轉換模型的名稱，--model_name 默認為 network

2python aitools.py --project=《your_project_path》 --model=《your_model_path》 --model_name=《model_name》 --platform=stm32 --ext_tools=《your_x-cube-ai_path》

3

4# 保存運行 stm32ai 線程過程中產生的文件，--clear 默認為空

5# 如果存在，則將會刪除 `stm32ai` 運行時產生的工作文件夾，即`--stm_out`

6python aitools.py --project=《your_project_path》 --model=《your_model_path》 --platform=stm32 --ext_tools=《your_x-cube-ai_path》

7

8# 指定保存運行日志， --log 默認為空

9python aitools.py --project=《your_project_path》 --model=《your_model_path》 --log=。/log.log --platform=stm32 --ext_tools=《your_x-cube-ai_path》

10

11# 指定保存的文件夾名稱，--stm_out 默認是當天時間，比如 ‘。/20210223’

12python aitools.py --project=《your_project_path》 --model=《your_model_path》 --platform=stm32 --ext_tools=《your_x-cube-ai_path》 --stm_out 《new_dir》

13

14# 指定生成的 c-model 名，--c_model_name 默認是network

15python aitools.py --project=《your_project_path》 --model=《your_model_path》 --platform=stm32 --ext_tools=《your_x-cube-ai_path》 --c_model_name=《new_model_name》

運行參數詳細說明

主函數參數部分

STM32 平臺插件參數部分

Step2 編譯和燒錄

本教程僅展示 RT-Thread Studio 編譯，另外還支持以下幾種編譯方式：

Keil

基于 RT-Thread Env 的 Scons

不基于 RT-Thread Env 的Scons

RT-Thread Studio 編譯和燒錄

在 RT-Thread Studio 中，找到項目工程，右鍵，

更新軟件包 + 刷新工程，

然后編譯（），

最后燒錄加顯示。

編譯成功

這時候你就已經成功獲得了一個集成了 AI 和 RT-Thread 的新的 ART-Pi BSP，

就可以RT-Thread 系統上做應用開發啦。

示例應用代碼提供

我們提供了一份運行模型推理的示例代碼 mnist_app.c：

下載解壓，放置到 /applications 路徑下

選中 RT-Thread Studio 中的 項目工程，右擊刷新

編譯燒錄，

輸入命令：mnsit_app

3. 完整的示例工程
編輯：lyn