MobileNet-v2网络在树莓派上的代码生成和部署

这个例子使用了:

打开脚本

这个例子展示了如何生成和部署使用MobileNet-v2预训练网络进行对象预测的c++代码。

先决条件

ARM处理器，支持NEON扩展金宝app
ARM计算库(在目标ARM硬件上)
开源计算机视觉库(OpenCV) v2.4(在目标ARM硬件上)
编译器和库的环境变量
MATLAB®编码器™
MATLAB编码器接口的深度学习库支持包金宝app
深度学习工具箱™
MobileNet-v2网络支持包的深度学习工具箱模型金宝app
图像处理工具箱™
树莓派硬件的M金宝appATLAB支持包

本例使用的ARM Compute库版本可能不是代码生成支持的最新版本。金宝app有关受支金宝app持的库版本以及有关设置环境变量的信息，请参见用MATLAB编码器进行深度学习的先决条件．

此示例不支持MATLAB在线。金宝app

本例使用DAG网络MobileNet-v2使用ARM®计算库执行图像分类。用于MATLAB的预先训练的MobileNet-v2网络可在用于MobileNet-v2网络的深度学习工具箱模型支持包中获得。金宝app

当你生成使用ARM计算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。

配置代码生成`mobilenet_predict`函数

的mobilenet_predict函数在输入图像上调用MobileNet-v2网络对象的predict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

函数out = mobilenet_predict(in)持久网;Opencv_linkflags = ' ' pkg-config——cflags——libs opencv ";coder.updateBuildInfo (addLinkFlags, opencv_linkflags);如果为空(net) net =编码器。loadDeepLearningNetwork(“mobilenetv2”、“mobilenet”);End out = net.predict(in);结束

创建一个c++代码生成配置对象。

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

指定使用ARM计算库。ARM计算库为树莓派硬件提供了优化的功能。要生成使用ARM计算库的代码，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上。

DLCFG =编码器。DeepLearningConfig (“arm-compute”）;金宝appsupportedVersions = dlcfg.getARMComputeSupportedVersions;dlcfg。ArmArchitecture =v7的；dlcfg。ArmComputeVersion =“19.05”；cfg。DeepLearningConfig = dlcfg;

创建到树莓派的连接

使用MATLAB支持包实现树莓金宝app派硬件功能raspi与树莓派建立连接。在这段代码中，替换:

raspiname树莓派的主机名
用户名用你的用户名
密码用你的密码

R =树皮(“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。硬件对象，并将其附加到代码生成配置对象。

Hw = code .hardware(“树莓π”）;cfg。硬件= hw;

在树莓派上指定一个构建文件夹:

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

提供一个c++主文件

指定主文件main_mobilenet.cpp在代码生成配置对象中。文件调用生成的c++代码mobilenet_predict函数。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，并将预测分数打印到文件中。

cfg。CustomSource =“main_mobilenet.cpp”；

在树莓派上生成可执行程序

生成c++代码。当你使用codegen利用树莓派硬件的MATLAB支持金宝app包，在树莓派上构建可执行文件。

对于代码生成，必须设置环境变量ARM_COMPUTELIB而且LD_LIBRARY_PATH在树莓派上

codegen配置cfgmobilenet_predictarg游戏{ones(224,224,3，'single')}报告

获取生成的可执行文件夹

要在树莓派上测试生成的代码，请将输入的图像复制到生成的代码文件夹中。方法可以手动或使用raspi.utils.getRemoteBuildDirectoryAPI。该函数列出了使用生成的二进制文件的文件夹codegen．假设二进制文件只在一个文件夹中找到，输入:

applicationDirPaths = raspi.utils.getRemoteBuildDirectory(“applicationName”，“mobilenet_predict”）;targetDirPath = applicationDirPaths{1}.directory;

拷贝示例文件到树莓派

若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);

在树莓派上运行可执行程序

在MATLAB中运行树莓派上的可执行程序，并将输出直接返回到MATLAB。

exeName =“mobilenet_predict.elf”；argsforexe =' pepper_raspi_mobilenet .png '；%提供输入图像;命令= [“cd”targetDirPath“sudo。/”exeName argsforexe];Output = system(r,command);

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和显示输出

将排名前五的预测分数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 ');文件关闭(fid);S = S{1};predict_scores = cellfun(@(x)str2double(x)， S);删除字符串类型的NaN值predict_scores(isnan(predict_scores))=[];[val,indx] = sort(predict_scores， '下降');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);