先决条件

此示例使用的ARM计算库版本可能不是代码生成支持的最新版本。金宝app有关设置金宝app环境变量的支持版本，请参阅与Matlab编码器深入学习的先决条件。

Matlab在线不支持此示例。金宝app

此示例使用DAG网络MobileNet-V2与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。

配置代码生成MobileNet_Predict.功能

这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.

函数OUT = MOBILENET_PREDICT（IN）持久网络;opencv_linkflags ='`pkg-config --cflags --libs opencv`';coder.updatebuildinfo（'addlinkflags'，opencv_linkflags）;如果是isempty（net）net = coder.loaddeeplearningnetwork（'mobilenetv2'，'mobilenet'）;结束= net.predict（in）;结尾

创建C ++代码生成配置对象。

cfg = coder.config（'EXE文件'）;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Coder.armneonConfig目的。指定Raspberry PI上安装的ARM计算库的版本以及覆盆子PI的体系结构。将深度学习配置对象附加到代码生成配置对象。

dlcfg = coder.deeplearningconfig（'arm-compute'）;金宝app支持versions = dlcfg.getarmcomputesupportedVersions;dlcfg.armarchitecture ='ARMV7';dlcfg.armcomputeversion =.'19 .05';cfg.deeplearningconfig = dlcfg;

创建与覆盆子PI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Raspberry PI的连接。在此代码中，替换：

r = raspi（'raspiname'那'用户名'那'密码'）;

配置覆盆子PI的代码生成硬件参数

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

hw = coder.hardware（'覆盆子pi'）;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。该文件读取输入映像，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.cusomsource ='main_mobilenet.cpp';

在覆盆子pi上生成可执行程序

生成C ++代码。当你使用时Codegen.使用Raspberry PI硬件金宝app的MATLAB支持包，可执行文件基于覆盆子PI构建。

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

Codegen.-Config.CFG.MobileNet_Predict.-  args.{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或使用Raspi.utils.getRemoteBuildDirectory.API。此函数列出了使用的二进制文件的文件夹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'那'mobilenet_predict'）;targetdirpath = applicationdirpaths {1} .directory;

将示例文件复制到raspberry pi

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和显示输出

将前五个预测分数映射到培训的网络中的相应标签，并显示输出。

类型mappredicticeScores_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_cores = 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'）;得分= 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);