三創建模型與部署

本節要點

在第二步采集到的數據基礎之上，用Reality AI Tools創建模型。

步驟

1.1點擊Asset Tracking，激活此項目。

點擊左側Data界面，按照如下步驟操作：

點擊Curate。

點擊數據文件展開按鈕。

勾選數據文件。

點擊Action。

點擊Format Selected。

1.2在彈出的窗口中，按下述步驟操作：

點擊#1 Data，并下拉到最下面，選擇Ignore。（注意：這一步非常重要）。

輸入采樣率1600。

點擊Confirm。

1.3點擊Action->Segment List From Selected，進行數據分段。

1.4按照如下步驟：

Window Length Datapoints選擇512。

Offset Datapoints選擇50%。

List名稱為amr_512_50_percent_overlap。

點擊Submit。

在這里解釋一下，滑動窗口的作用：

避免窗口邊緣特征的丟失。

增加樣本的數量。

滑動窗口允許背靠背分段數據之間的重疊。

Sample 1和2之間有50%重疊。

Sample 2和3之間有50%重疊。

1.5在e2 studio中的configuration.xml中的stack部分Properties頁面中Data Shipper/Data Collector/General/Frame Buffer Length，可以設置MCU采集數據時的滑動窗口大小。

本實驗滑動窗口的設置是512。

1.6當數據分段完成后，點擊左側AI Explore->Classes。

1.7點擊先前創建的amr_512_50_percent_overlap。再點擊界面下部的Start exploring。

此時，模型正在生成中。模型生成的過程中，允許退出系統或者進行其他操作。這些操作并不會中斷或者影響模型生成。

1.8大概等待10~25分鐘左右后，模型生成完成，模型生成時長與訓練數據大小有關。

如何選擇適合自己的模型呢？主要關注Complexity和KFold Accuracy兩個指標。

點擊Complexity列的三角圖標，它顯示當前模型的相關參數。

X Operations表示模型運行中的MAC（乘累加）操作數量。

RAM表示模型運行中所需RAM的大小。

Storage（FLASH/ROM）表示模型運行中所需FLASH的大小。

注意：上述的RAM和FLASH的數值，是以云端服務器硬件平臺為基準顯示的，僅供參考。部署到實際項目中的MCU/MPU平臺中的RAM和FLASH的數值，可能會與這個不同。

KFold Accuracy表示K折交叉驗證的模型精度。交叉驗證的基本思想是將原始數據集分成多個部分，一部分當作訓練集，另一部分作為驗證集。先用訓練集對算法模型進行訓練，再用驗證集測試訓練得到的算法模型，反復利用這些部分進行模型的訓練和驗證。Overall %表示本模型的整體精度，數值越高越好，Worst %表示本模型的最差精度，數值越高越好。

點擊圖中“Create Base Tool”，來生成嵌入式端的模型。

注意：Reality AI Tools會生成許多模型，點擊右下角的” Show more results”可以看到被折疊隱藏的更多模型。

1.9使用默認的名稱，或者輸入模型名稱和描述。點擊“Add”。

1.10現在開始創建嵌入式端側部署模型，按照如下步驟：

點擊Deploy->Embedded。

點擊Trained Tool Description list。

點擊 +New Package。

1.11輸入DeployName，這個名字就是待會生成的API的前綴。在Inputs中的Data type中選擇float32（float）。因為采集的數據是float32類型的。中間的outputs區域，顯示了API的輸出類型和含義。右側的Build Options涵蓋目標設備類型（目前RA6E2沒有在列表清單中，暫時選擇RA6E1），FPU類型選擇M33 FPU，hard fp abi，Toolchain選擇GNU GCC 13.2.1，優化類型選擇Speed。

點擊Generate New Package，創建模型。

1.12此時，可以看見右側的Download顯示

表示模型生成中。

大概10~25分鐘左右。

等到右側的Download顯示

模型生成完成

點擊

下載模型文件。

1.13生成的模型文件名稱為amr.zip，里面一共有9個文件，

README.txt和model_info.xml是模型相關的信息，包括占用的ROM和RAM信息等。

librai_edsp_f32_arm.a是庫文件。

example_classifier.c是模型調用的例子代碼，實際使用的時候，不需要添加到工程中。

其余5個文件是模型相關的.c和.h文件。

將上述的librai_edsp_f32_arm.a，amr_model.c，amr_model.h，RealityAI.h，RealityAI_Config.h，RealityAI_Types.h文件復制到Asset Tracking工程中的src/rai文件夾中。

1.14在hal_entry.c中添加#include "amr_model.h"。

同時把hal_entry.c中的宏定義

#define DATA_COLLECTION_EN （1）

修改成

#define DATA_COLLECTION_EN （0）

表示代碼進入推理階段。

1.15點擊圖標

來編譯工程。

本工程經過編譯后，應改沒有任何errors或者warnings。

1.16點擊按鈕

啟動調試并檢查控制臺中的內容是否成功建立了連接。

1.17打開Debug文件中的FPBRA6E2_AMR_training.map文件。

搜索到.bss._SEGGER_RTT字段并復制紅色框處地址。

注意：下圖中的地址可能和實際的工程不相符，以自己手中的文件為準。

1.18打開J-Link RTT-Viewer，點擊File->Connect。

在彈出的窗口中，按照以下圖片配置。注意，左下角的地址，輸入的是上一步驟復制的地址，點擊OK。

看到下面的Log輸出框，表示連接成功。

1.19點擊Terminal 0標簽頁。

1.20點擊圖標

兩次

此時，程序正常運行起來。

如果在運行的工程中，發現程序停留在startup.c中Default_Handler中。

參考先前3.14步驟中下載的模型中的README.txt的Estimated Memory Utilization中的Parameters，Stack Usage和Pre-Allocated之和。還要考慮加上工程本身沒有使用模型推理的代碼的stack消耗。

這是工程的stack設定過小，導致堆棧溢出，從而進入Default_Handler。需要在configuration.xml->BSP->Properties->RA Common中的Main stack size（bytes）進行修改。

1.21觀察J-Link RTT Viewer中的打印信息。通過扔（10cm高處跌落）、搖晃、靜止FPB-RA6E2。可以發現得到如下信息：

紅色表示FPB-RA6E2處于drop狀態。

黃色表示FPB-RA6E2處于shake狀態。

綠色表示FPB-RA6E2處于normal狀態。

可以嘗試采集更多類型動作數據，再次上傳數據并訓練，以便識別更多的動作。