簡(jiǎn)化嵌入式邊緣 AI 應(yīng)用開(kāi)發(fā)的步驟

如果嵌入式處理器供貨商沒(méi)有合適的工具和軟件，設(shè)計(jì)節(jié)能的邊緣人工智能 (AI) 系統(tǒng)，同時(shí)加快上市時(shí)間可能會(huì)變得窒礙難行。挑戰(zhàn)包括選擇正確的深度學(xué)習(xí)模型、訓(xùn)練和優(yōu)化模型以實(shí)現(xiàn)性能和準(zhǔn)確度目標(biāo)，以及學(xué)習(xí)用于在嵌入式邊緣處理器上部署模型的專(zhuān)有工具。

從模型選擇到處理器部署，TI 提供免費(fèi)工具、軟件和服務(wù)，協(xié)助完成深度神經(jīng)網(wǎng)絡(luò) (DNN) 開(kāi)發(fā)工作流程的每一個(gè)步驟。逐步選擇模型、隨處訓(xùn)練模型，并無(wú)縫部署到 TI 處理器上，完全不需要任何手工制作或手動(dòng)程序設(shè)計(jì)，藉以進(jìn)行軟件加速推論。

步驟 1：選擇模型
邊緣 AI 系統(tǒng)開(kāi)發(fā)的首要任務(wù)是選擇正確的 DNN 模型，同時(shí)考慮系統(tǒng)的性能、準(zhǔn)確度和功率目標(biāo)。和 GitHub 上的 TI 邊緣 AI 模型庫(kù)等工具有助于您加速這個(gè)過(guò)程。

這個(gè)模型庫(kù)是 TensorFlow、PyTorch 和 MXNet 框架常用開(kāi)放原始碼深度學(xué)習(xí)模型的大型集合。這些模型在公共數(shù)據(jù)集上進(jìn)行預(yù)先訓(xùn)練，并經(jīng)過(guò)優(yōu)化，可在 TI 處理器上有效運(yùn)作而實(shí)現(xiàn)邊緣 AI。TI 會(huì)定期使用來(lái)自開(kāi)放原始碼社群的最新模型以及 TI 設(shè)計(jì)的模型更新模型庫(kù)，提供最多樣化的性能和精準(zhǔn)的優(yōu)化模型。

藉由模型庫(kù)中的數(shù)百個(gè)模型，TI 模型選擇工具 (如圖一所示) 可以協(xié)助快速檢視和比較推論處理量、延遲、準(zhǔn)確度和雙倍數(shù)據(jù)速率帶寬，完全不需要撰寫(xiě)任何程序代碼。

 

圖一 : TI 模型選擇工具

步驟 2：訓(xùn)練和調(diào)整模型
選擇模型后，下一個(gè)步驟是訓(xùn)練或優(yōu)化模型，藉以在 TI 處理器上實(shí)現(xiàn)最佳性能和準(zhǔn)確度。運(yùn)用我們的軟件架構(gòu)和開(kāi)發(fā)環(huán)境可以隨處訓(xùn)練模型。

從 TI 模型庫(kù)中選擇模型時(shí)，訓(xùn)練腳本可以根據(jù)特定任務(wù)的自定義數(shù)據(jù)集快速傳輸和訓(xùn)練模型，完全不需要從頭開(kāi)始進(jìn)行長(zhǎng)時(shí)間的訓(xùn)練或手工制作模型。對(duì)于自己的 DNN 模型，訓(xùn)練腳本、框架擴(kuò)展和量化感知訓(xùn)練工具有助于優(yōu)化模型。

步驟 3：評(píng)估模型性能
在開(kāi)發(fā)邊緣 AI 應(yīng)用之前，需要在實(shí)際軟件上評(píng)估模型性能。

使用 TensorFlow Lite、ONNX RunTime 或 TVM 以及 SageMaker Neo with Neo AI DLR 運(yùn)行時(shí)間引擎的最常用業(yè)界標(biāo)準(zhǔn) Python 或 C++ 應(yīng)用程序設(shè)計(jì)界面 (API)，只需要幾行程序代碼，TI 的彈性軟件架構(gòu)和開(kāi)發(fā)環(huán)境即可隨處訓(xùn)練自己的模型，并且編譯模型再部署到 TI 硬件。在這些業(yè)界標(biāo)準(zhǔn)運(yùn)行時(shí)間引擎的后端， TI 深度學(xué)習(xí) (TIDL) 模型編譯和運(yùn)行時(shí)間工具可以為 TI 軟件編譯模型、將編譯后的圖形或子圖形部署到深度學(xué)習(xí)軟件加速器上，并獲得優(yōu)化推論處理器的性能，完全不需要任何手動(dòng)操作。

在編譯步驟中，訓(xùn)練后量化工具可以將浮點(diǎn)模型自動(dòng)轉(zhuǎn)換為定點(diǎn)模型。這組工具透過(guò)配置文件進(jìn)行層級(jí)混合精度量化 (8 位和 16 位)，達(dá)到調(diào)整模型編譯的絕佳彈性，藉以展現(xiàn)最佳性能和準(zhǔn)確度。

各種常用模型的操作不盡相同。TI 邊緣 AI 基準(zhǔn)檢驗(yàn)工具 也位于 GitHub 上，有助于您將 DNN 模型功能與 TI 模型庫(kù)中的模型無(wú)縫搭配，并做為自定義模型的參考。

有兩種方法可以在 TI 處理器上評(píng)估模型性能：TDA4VM 入門(mén)套件評(píng)估模塊 (EVM) 或TI Edge AI Cloud，這是免費(fèi)的在線服務(wù)，支持遠(yuǎn)程訪問(wèn) TDA4VM EVM 評(píng)估深度學(xué)習(xí)推論性能。用于不同任務(wù)和運(yùn)行時(shí)間引擎組合的多個(gè)范例腳本可以在不到五分鐘的時(shí)間內(nèi)在 TI 軟件上進(jìn)行加速推論的程序設(shè)計(jì)、部署和執(zhí)行，同時(shí)收集基準(zhǔn)。

步驟 4：開(kāi)發(fā)邊緣 AI 應(yīng)用

使用開(kāi)放原始碼 Linux 和業(yè)界標(biāo)準(zhǔn) API能夠?qū)⒛Ｐ筒渴鸬?TI 軟件上。不過(guò)，將深度學(xué)習(xí)模型部署到軟件加速器上只是其中的一部分。

為了協(xié)助快速建構(gòu)高效率的邊緣 AI 應(yīng)用，TI 采用 GStreamer 框架。GStreamer 插件可以將計(jì)算密集型任務(wù)的端對(duì)端訊號(hào)鏈自動(dòng)加速到軟件加速器和數(shù)字訊號(hào)處理核心上。

圖二 顯示邊緣 AI 的 Processor SDK with Linux 有關(guān)的軟件堆棧和組件。

 
圖二 : 邊緣 AI 的 Processor SDK with Linux 組件

結(jié)論
即使不是 AI 專(zhuān)家，亦可開(kāi)發(fā)和部署 AI 模型或建構(gòu) AI 應(yīng)用。TI Edge AI Academy有助于在進(jìn)行測(cè)驗(yàn)的自定進(jìn)度課堂式環(huán)境中學(xué)習(xí) AI 基礎(chǔ)知識(shí)，并了解 AI 系統(tǒng)和軟件程序設(shè)計(jì)。實(shí)驗(yàn)室提供建構(gòu)「Hello, World」人工智能應(yīng)用的逐步程序代碼，而具有攝影機(jī)拍攝和顯示的端對(duì)端進(jìn)階應(yīng)用程序，可按照自己的步調(diào)成功開(kāi)發(fā)人工智能應(yīng)用。

(本文作者M(jìn)anisha Agrawal任職于德州儀器)