面對消費電子中紛繁的智能檢測需求，如何讓算法持續進化？富瀚微最新發布的FH86X6V300芯片AI訓練教程，以FH8626V300L為硬件核心，手把手帶您走通從模型訓練到端側部署的完整鏈路。掌握自定義AI開發能力，即可打造更精準、更經濟的智能檢測方案。

掃碼申請試用硬件&模型訓練工具：

或前往淘寶購買：https://e.tb.cn/h.SDz8fmbdZoxn8fI?tk=w2b6fn2xZpQ

一. AI模型訓練環境搭建

環境需求

Ubuntu 18.04以上都可以 (自行安裝)

Python 3.6

CUDA 10.0 （基于RTX10系列顯卡）

CUDA 11.4 (基于RTX30 系列顯卡，低于CUDA 11.1以下無法激活顯卡的nn性能)

python3.6環境安裝

本環境推薦使用Miniforge來配置環境，ubuntu可以選擇18.04以后版本，當前以ubuntu22.04為例適配。

miniforge安裝適配

#下載適合系統架構的安裝包Wget https://github.com/conda-forge/miniforge/releases/latest/download/Miniforge3-Linux-x86_64.sh#添加執行權限chmod +x Miniforge3-Linux-x86_64.sh#運行安裝腳本bash Miniforge3-Linux-x86_64.sh#按Enter查看許可協議，輸入yes接受#確認安裝路徑（默認~/miniforge3）#選擇yes初始化shell#重啟終端或根據使用的shell執行對應命令：

初始化環境

#對于bash用戶：source~/.bashrc#對于zsh用戶：source~/.zshrc

創建python3.6訓練環境

#創建python3.6環境mambacreate -n py36 python=3.6#激活py36環境condaactivate py36

tensorflow1.15環境安裝

#升級pippython-m pip install --upgrade pip
#安裝tensorflow 1.15環境pip install nvidia-pyindexpip install nvidia-tensorflow[horovod]
#安裝訓練依賴包pip install cryptographypip install cmakepip install opencv_python==4.5.5.64pip install tqdmpip install easydictpip install matplotlib

二. AI模型訓練

0 訓練配置

訓練不同網絡需要將對應的config_xxx.py重命名為config.py，并在config.py里面修改數據路徑和GPU相關配置，尤其注意case_id的選擇，不同的case_id代表不同的網絡結構，會有性能和代價的不同。

cp./ZTV2/config_xxx.py config.py

1 準備數據

將圖片和標簽轉化為深度學習可識別的數據格式。

python1_create_tfrecords_example.py

2 檢查數據是否生成正確

python2_check_data_created_correctness_example.py

3 開始訓練

建議GPU Memory > 8G , Batchsize>8

確保上階段生成的數據路徑正確。

模型輸出地址config.checkpoint_dir 可自定義

config.ckpt為初始化的參數，可以在各自文件夾內找到

python3_finetune_example.py

4 測試

將訓練完成的模型 通過修改config.py中的config.ckpt_test載入文件

輸出測試結果config.output_txt_file

python4_test_example.py

5 生成nbg文件

選擇需要轉化的模型地址寫入config.py中config.ckpt_to_nbg

會在當前目錄下生成nbg文件

python5_trans_ckpt_to_nnip_example.py

生成模型文件，用于端側部署加載：

三. 應用部署

基礎應用構建參考此文章：

手把手帶你玩轉智能模型——RT-Thread×富瀚微FH8626V300L初級智能案例實戰 | 技術集結

1 AI檢測的端側數據流

2 AI檢測的端側處理流程