先决条件

本例使用的ARM计算库版本可能不是代码生成支持的最新版本。金宝app有关库受金宝app支持的版本以及有关设置环境变量的信息，请参见深度学习与MATLAB编码器的先决条件．

Matlab在线不支持此示例。金宝app

此示例使用DAG网络MobileNet-V2使用ARM®计算库执行图像分类。MobileNet-V2网络支持包的深度学习工具箱模型中提供了用于MATLAB的预雷达MobileNet-V2网络。金宝app

生成使用ARM Compute库和硬件支持包的代码时，金宝appcodegen在主机上生成代码，将生成的文件复制到目标硬件，并在目标硬件上构建可执行文件。

的代码生成配置mobilenet_predict功能

的mobilenet_predict函数调用在输入图像上的MobileNet-V2网络对象的预测方法，并返回预测分数输出。函数调用coder.updateBuildInfo为生成的makefile指定链接选项。

类型mobilenet_predict

Function out = mobilenet_predict(in) persistent net;Opencv_linkflags = ' ' pkg-config——cflags——libs opencv ";coder.updateBuildInfo (addLinkFlags, opencv_linkflags);如果是空的(net) net =编码器。loadDeepLearningNetwork(“mobilenetv2”、“mobilenet”);End out = net.predict(in);结束

创建C ++代码生成配置对象。

cfg = coder.config (exe”）;cfg。TargetLang =“c++”；

指定ARM计算库的使用。ARM Compute库为Raspberry PI硬件提供了优化的功能。要生成使用ARM Compute库的代码，请创建一个编码器。ARMNEONConfig对象。指定安装在树莓派上的ARM计算库的版本和树莓派的架构。将深度学习配置对象附加到代码生成配置对象。

dlcfg =编码器。DeepLearningConfig ('arm-compute'）;金宝appsupportedVersions = dlcfg.getARMComputeSupportedVersions;dlcfg。ArmArchitecture ='ARMV7'；dlcfg。ArmComputeVersion =“19.05”；cfg.deeplearningconfig = dlcfg;

创建到树莓派的连接

使用MATLAB支持包进行覆盆金宝app子PI硬件功能raspi.创建与树莓派的连接在此代码中，替换:

r = raspi (“raspiname”，'用户名'，'密码'）;

配置树莓派的代码生成硬件参数

创建一个编码器。硬件raspberry pi的对象并将其附加到代码生成配置对象。

hw = coder.hardware (“树莓π”）;cfg.hardware = hw;

在raspberry pi上指定构建文件夹：

builddir =“~ / remoteBuildDir”；cfg.Hardware.BuildDir = buildDir;

提供C ++主文件

指定主文件main_mobilenet.cpp在代码生成配置对象中。该文件调用生成的C ++代码mobilenet_predict功能。该文件读取输入图像，将数据传递给生成的函数调用，检索图像上的预测，并将预测得分打印到文件。

cfg.customsource ='main_mobilenet.cpp'；

在覆盆子pi上生成可执行程序

生成c++代码。当你使用codegen与MATLAB支持包的树莓派硬件金宝app，可执行文件是建立在树莓派。

对于代码生成，必须设置环境变量ARM_COMPULLIB.和LD_LIBRARY_PATH在覆盆子pi上。

codegen配置cfgmobilenet_predictarg游戏{ONE（224,224,3，'单'）}-报告

获取生成的可执行文件夹

要在raspberry pi上测试生成的代码，请将输入图像复制到生成的代码文件夹。您可以手动或使用此文件夹raspi.utils.getRemoteBuildDirectoryAPI。这个函数列出了使用codegen．假设二进制文件仅在一个文件夹中找到，请输入：

applicationDirPaths = raspi.utils.getRemoteBuildDirectory ('应用名称'，'mobilenet_predict'）;targetDirPath = applicationDirPaths {1} .directory;

复制示例文件到树莓派

要复制运行可执行程序所需的文件，请使用Putfile.．

r.putFile (“peppers_raspi_mobilenet.png”, targetDirPath);

在覆盆子pi上运行可执行程序

从MATLAB运行Raspberry PI上的可执行程序并将输出引导回MATLAB。

exeName ='mobilenet_predict.elf'；argsforexe ='peppers_raspi_mobilenet.png'；％提供输入图像;命令= [“cd”targetdirpath.“sudo。/”exeName argsforexe];输出=系统(r,命令);

获取网络的1000个输出类的预测分数

outputfile = [targetDirPath,' / output.txt '];r.getFile (outputfile);

将预测分数映射到标签并显示输出

将前5个预测得分映射到训练网络中对应的标签，并显示输出。

类型mapPredictedScores_mobilenet

%%将预测分数映射到标签和显示输出NET = MOBILENETV2;ClassNames = Net.Layers（END）.Classnames;%%读取分类FID = fopen（'output.txt'）;s = TextScan（FID，'％S'）;fclose（FID）;s = s {1};predict_comes = cellfun（@（x）str2double（x），s）;%%删除了字符串预测_cores的NaN值（ISNAN（Predict_scores））= [];[val，Indx] =排序（预测_cores，'descend'）;分数= val（1：5）* 100; top5labels = ClassNames(indx(1:5)); %% Display classification labels on the image im = imread('peppers_raspi_mobilenet.png'); im = imresize(im, [224 224]); outputImage = zeros(224,400,3, 'uint8'); for k = 1:3 outputImage(:,177:end,k) = im(:,:,k); end scol = 1; srow = 1; outputImage = insertText(outputImage, [scol, srow], 'Classification with MobileNetv2', 'TextColor', 'w','FontSize',20, 'BoxColor', 'black'); srow = srow + 30; for k = 1:5 outputImage = insertText(outputImage, [scol, srow], [top5labels{k},' ',num2str(scores(k), '%2.2f'),'%'], 'TextColor', 'w','FontSize',15, 'BoxColor', 'black'); srow = srow + 25; end imshow(outputImage);