【深度学习】树莓派Zero w深度学习模型Python推理

在机器学习开发过程中，当模型训练好后，接下来就要进行模型推理了，根据部署环境可分为三类场景：

边缘计算：一般指手机，嵌入式设备，直接在数据生成的设备上进行推理，因为能避免将采集到的数据上传到云端，所以实时性非常好。

端计算：介于云和边缘设备之间的计算平台，个人PC可以归为这一类。

云计算：指云计算平台，具有强大的计算和存储能力，通过服务释放AI能力。

在之前跟大家分享的AI工具中，都是在PC上进行推理，也就是属于端设备推理。

基于深度学习的抠图工具
https://github.com/AIDajiangtang
基于深度学习的图像拼接工具
https://github.com/AIDajiangtang/Superpoint-LightGlue-Image-Stiching
基于大模型的分割工具
https://github.com/AIDajiangtang/Segment-Anything-CPP
https://github.com/AIDajiangtang/Segment-Anything-CSharp

今天，我将为大家演示如何在边缘设备上进行推理。

要准备毕业设计的小伙伴可以作为参考。

我选择的边缘设备是树莓派的Zero w开发板，硬件配置参数如下：

1GHz single-core CPU ARM11 ARMv6

512MB RAM

Mini HDMI® port

Micro USB OTG port

Micro USB power

HAT-compatible 40-pin header

Composite video and reset headers

CSI camera connector (v1.3 only)

这里多说一点，对于ARM芯片，要区分芯片系列与CPU架构。不同的CPU架构对应不同的指令集，如果涉及从源码编译需要考虑CPU架构。

ARM7：
时间点：ARM7系列处理器于1994年发布。
特点：ARM7系列处理器是ARM架构的早期版本，采用32位RISC架构，主要用于嵌入式系统和低功耗设备。它具有较低的功耗和成本，适用于资源受限的应用。
CPU架构：ARMv4T架构。

ARM9：
时间点：ARM9系列处理器于1997年发布。
特点：ARM9系列处理器也是基于32位RISC架构，用于多种应用，包括嵌入式系统、移动设备和数字音频。它具有较高的性能和灵活性，适用于中等功耗和性能需求的应用。
CPU架构：ARMv5TE架构。


ARM11：
时间点：ARM11系列处理器于2002年发布。
特点：ARM11系列处理器同样采用32位RISC架构，主要应用于移动设备和数字媒体领域。它具有更高的性能和计算能力，支持多媒体处理和浮点运算。
CPU架构：ARMv6架构。

ARM Cortex-A：
时间点：ARM Cortex-A系列处理器于2005年发布。
特点：Cortex-A系列面向高性能应用，用于智能手机、平板电脑、服务器和其他需要较高处理性能的设备。它具有更强大的处理能力、更高的频率和更复杂的功能。
CPU架构：基于ARMv7-A或ARMv8-A架构。

ARM Cortex-R：
时间点：ARM Cortex-R系列处理器于2004年发布。
特点：Cortex-R系列面向实时应用，用于嵌入式系统、汽车电子、工业控制等需要快速响应和可靠性的应用。它具有较低的延迟和更可靠的实时性能。
CPU架构：基于ARMv7-R或ARMv8-R架构。

ARM Cortex-M：
时间点：ARM Cortex-M系列处理器于2004年发布。
特点：Cortex-M系列面向低功耗嵌入式系统，用于微控制器、传感器、物联网设备等资源受限的应用。它具有较低的功耗、小尺寸和高效的实时性能。
CPU架构：基于ARMv6-M或ARMv7-M架构。

常见ARM芯片系列和架构

我们选择的Raspberry Zero w属于ARM11系列，ARMv6 CPU架构，支持wifi。

Raspberry Pi 1 Model A/B/A+/B+:
CPU系列：ARM11系列
CPU架构：ARMv6架构

Raspberry Pi 2 Model B:
CPU系列：ARM Cortex-A系列
CPU架构：ARMv7-A架构

Raspberry Pi 3 Model B/B+:
CPU系列：ARM Cortex-A系列
CPU架构：ARMv8-A架构

Raspberry Pi 4 Model B:
CPU系列：ARM Cortex-A系列
CPU架构：ARMv8-A架构

Raspberry Pi Zero/Zero W:
CPU系列：ARM11系列
CPU架构：ARMv6架构

Raspberry Pi Compute Module 3/3+:
CPU系列：ARM Cortex-A系列
CPU架构：ARMv8-A架构

Raspberry Pi Compute Module 4:
CPU系列：ARM Cortex-A系列
CPU架构：ARMv8-A架构

常见树莓派开发板CPU型号

由于本项目涉及到的软件比较多，我帮大家整理到一起了。

关注微信公众号：人工智能大讲堂，后台回复【rsb】获取模型和所有安装包。

开始吧。

准备硬件

除了开发板外，还需要USB电源，摄像头，miscro SD卡，以及读卡器。某宝上可以买到，然后按下图连接

在这里插入图片描述

准备推理框架

按理讲，硬件就绪后，接下来应该安装操作系统了，为什么要先说推理框架呢？也是出于无奈啊！

我选择的推理框架是tensorflow lite，但它对于ARMv6没有现成的pip安装包,也就是没办法通过下面的命令安装推理运行时。

python3 -m pip install tflite-runtime

有两种解决方法。

第一种是安装好树莓派操作系统后自己准备编译环境，然后从源码编译tensorflow lite whl安装包。

https://www.tensorflow.org/lite/guide/build_cmake_pip

第二种则是去网上找现成的针对ARM v6架构的安装包。

我选择了第二种。

开源的力量是强大的，我在Github上真就找到了一个针对ARM v6架构的whl安装包，虽然是完整的tensorflow安装包，但可以通过导出tensorflow lite来使用推理功能。

import tensorflow as tf
interpreter = tf.lite.Interpreter(model_path=args.model_file)

安装包下载连接

https://github.com/lhelontra/tensorflow-on-arm/releases/download/v2.4.0/tensorflow-2.4.0-cp37-none-linux_armv6l.whl

这里需要注意，该pip安装包是在python3.7环境下编译的，所以树莓派开发板也要安装自带python3.7的操作系统，这也是为什么先确定推理框架的原因。

准备操作系统

接下来就要找自带python3.7的树莓派操作系统。

除了python3.7外，另一个需要考虑的因素是内存，我们本次选择的Raspberry Zero w内存只有500M，为了运行效率，选择操作系统时建议选择不带桌面的Lite版本。

对于内存比较大的开发板，则可以选择带桌面的操作系统，甚至可以选择带预装各种软件环境的操作系统。

幸好，我在Archive找到python3.7的操作系统。

操作系统下载链接

https://downloads.raspberrypi.org/raspios_lite_armhf/images/raspios_lite_armhf-2021-05-28/

下载后保存到另一台电脑硬盘中等待使用。

接下来要通过树莓派自带的工具Raspberry pi Imager将操作系统烧录到miscro sd卡中。

将sd卡放入读卡器，插到另一台电脑USB接口上。

https://www.raspberrypi.com/software/

启动刻录软件

1.选择操作系统->使用自定义镜像

2.选择SD卡

3.设置

3.1勾选设置主机名，输入主机名

3.2勾选开启SSH服务，选择使用密码登录

3.3勾选设置操作系统用户名和密码，输入用户名和密码

3.4勾选配置WIFI，设置热点名和登录密码（可以用手机热点）

4.烧录

烧录成功后，将miscro sd卡插到树莓派sd卡插槽上，连接电源就可以开机了。

远程连接树莓派

由于没有桌面环境，所以需要另一台电脑远程连接到树莓派上，此时Raspberry Zero w支持wifi就起到作用了，安装操作系统时我们会配置网络，树莓派启动后主动连接热点，另一台电脑也连接到同一个热点，就可以远程了。

通过手机热点查看树莓派IP地址。

另一台电脑连接同一个手机热点。

启动另一台电脑的Windows PowerShell。

输入ssh 树莓派用户名@树莓派IP

例如 ssh rsb@192.168.133.223,根据提示需要输入密码。

光有远程还不够，还需要能够在两个系统之间传输文件，推荐在另一台电脑中安装WinSCP。

启动WinSCP，输入树莓派主机名，用户名和密码。

安装软件

安装tensorflow

wget https://github.com/lhelontra/tensorflow-on-arm/releases/download/v2.2.0/tensorflow-2.2.0-cp37-none-linux_armv6l.whl

sudo pip3 install tensorflow-2.2.0-cp37-none-linux_armv6l.whl

安装完成后通过下面命令查看是否安装成功

python -c "import tensorflow as tf;print(tf.reduce_sum(tf.random.normal([100, 100])))"

如果报类似下面这样的错误

TypeError: Descriptors cannot not be created directly.
可以尝试通过下面命令解决

Set PROTOCOL_BUFFERS_PYTHON_IMPLEMENTATION=python

安装OpenCV

sudo apt-get -y install libjpeg-dev libtiff5-dev libjasper-dev libpng12-dev
sudo apt-get -y install libavcodec-dev libavformat-dev libswscale-dev libv4l-dev
sudo apt-get -y install libxvidcore-dev libx264-dev
sudo apt-get -y install qt4-dev-tools libatlas-base-dev
sudo apt-get install libgstreamer1.0-dev
sudo apt-get install libopenexr-dev
sudo apt-get install libilmbase-dev

根据环境的不同，可能有些已安装，可能还缺少其他安装包，根据情况安装。

pip3 install opencv-python==3.4.6.27

也可以把上面的版本去掉，安装最新版本。

开始推理

软硬件都准备好后，就可以开始进行推理了。

准备tflite模型

由于tensorflow lite仅支持tflite格式的模型，如果你使用其他框架训练的，需要转换成tflite格式。

由于我的目的是为了演示如何在嵌入式设备上运行推理，所以选择什么模型不重要。

我给大家准备了一个水果分类和检测的模型，关注微信公众号：人工智能大讲堂，后台回复【rsb】获取模型和前面所有安装包。

模型在model文件夹下，cls_model.tflite为分类模型，det_model.tflite为目标检测模型。

分类模型类别标签

目标检测模型类别标签

打开摄像头

树莓派开发板通过外接摄像头来拍摄图像。

sudo raspi-config

选择Interface Options—camera，选择yes，将摄像头权限开启，我们便可以使用树莓派进行摄像头拍照了。

在命令行执行如下命令测试，如果看到文件夹中新增了image.jpg文件，则代表配置成功。

raspistill -t 2000 -o image.jpg

开始推理

import tensorflow as tf
import numpy as np
import cv2



det = true//是分类还是目标检测

model_path="cls_model.tflite"
if det:
  model_path="det_model.tflite"

# 加载分类tflite文件
interpreter = tf.lite.Interpreter(model_path)
interpreter.allocate_tensors()
label_id_offset = 1


# Again, uncomment this decorator if you want to run inference eagerly
def detect(interpreter, input_tensor):
  """Run detection on an input image.

  Args:
    interpreter: tf.lite.Interpreter
    input_tensor: A [1, height, width, 3] Tensor of type tf.float32.
      Note that height and width can be anything since the image will be
      immediately resized according to the needs of the model within this
      function.

  Returns:
    A dict containing 3 Tensors (`detection_boxes`, `detection_classes`,
      and `detection_scores`).
  """
  input_details = interpreter.get_input_details()
  output_details = interpreter.get_output_details()

  # We use the original model for pre-processing, since the TFLite model doesn't
  # include pre-processing.
  preprocessed_image, shapes = detection_model.preprocess(input_tensor)
  interpreter.set_tensor(input_details[0]['index'], preprocessed_image.numpy())

  interpreter.invoke()

  boxes = interpreter.get_tensor(output_details[0]['index'])
  classes = interpreter.get_tensor(output_details[1]['index'])
  scores = interpreter.get_tensor(output_details[2]['index'])
  return boxes, classes, scores

# 定义摄像头
capture = cv2.VideoCapture(0)

while True:
    # 拍照并预处理照片
    ret, frame = capture.read()
    frame = cv2.flip(frame, 1)
    frame_rgb = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
    
    if det:
      resized_image = cv2.resize(frame_rgb, (300, 300))
    else:
      resized_image = cv2.resize(frame_rgb, (224, 224))
      
    resized_image = resized_image .astype(np.float32)
    # 将像素值缩放到0-1范围
    resized_image /= 255.0
    # 将像素值缩放到-1到1范围
    resized_image = (resized_image - 0.5) * 2.0
        
    test = np.expand_dims(resized_image, axis=0)
    input_tensor = tf.convert_to_tensor(test, dtype=tf.float32)
    # 目标检测模型进行检测
    boxes, classes, scores = detect(interpreter, input_tensor)
    viz_utils.visualize_boxes_and_labels_on_image_array(
        test[0],
        boxes[0],
        classes[0].astype(np.uint32) + label_id_offset,
        scores[0],
        category_index,
        use_normalized_coordinates=True,
        min_score_thresh=0.8)
    # 呈现检测结果
    frame = cv2.cvtColor(test[0], cv2.COLOR_BGR2RGB)
    cv2.imshow("Object detector", frame)
    c = cv2.waitKey(20)
    # 如果按q键，则终止
    if c == 113:
        break
cv2.destroyAllWindows()