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。有关支持的库版本和有关设置环境变量的信息，请参阅金宝app使用MATLAB编码器进行深入学习的先决条件.

MATLAB online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针对MATLAB的预训练MobileNet-v2网络。金宝app

生成使用ARM计算库和硬件支持包的代码时，金宝app编码基因在主机上生成代码，将生成的文件复制到目标硬件，并在目标硬件上生成可执行文件。

配置的代码生成美孚公司作用

这个美孚公司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为生成的生成文件指定链接选项。

类型美孚公司

函数out=mobilenet_predict（in）persistent net；opencv_linkflags='`pkg config--cflags--libs opencv`'；coder.updateBuildInfo（'addLinkFlags'，opencv_linkflags'）；如果isempty（net）net=coder.loadDeepLearningNetwork（'mobilenetv2'，mobilenet'）；end out=net.predict（in）；end

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计算库为Raspberry Pi硬件提供优化的功能。若要生成使用ARM计算库的代码，请创建ARMNEONConfig编码器对象。指定Raspberry Pi上安装的ARM计算库的版本和Raspberry 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计算”)；s金宝appupportedVersions=dlcfg.GetArmComputesSupportedVersions；dlcfg.ArmaArchitecture=“armv7”；dlcfg.ArmComputeVersion='19.05'; cfg.DeepLearningConfig=dlcfg；

创建到Raspberry Pi的连接

使用MATLAB支持包实现Ra金宝appspberry Pi硬件功能拉斯皮要创建到Raspberry Pi的连接，请在此代码中替换：

r=拉斯皮(“raspiname”,“用户名”,“密码”);

为Raspberry Pi配置代码生成硬件参数

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=编码器硬件(“覆盆子皮”)硬件=硬件；

在Raspberry Pi上指定生成文件夹：

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，文件调用生成的C++代码美孚公司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Raspberry Pi上生成可执行程序

生成C++代码。编码基因通过Raspberry PI硬件金宝app的MATLAB支持包，可执行文件构建在Raspberry PI上。

对于代码生成，必须设置环境变量ARM_COMPUTELIB和图书馆路径在覆盆子皮上。

编码基因-配置cfg美孚公司-args{one（2242243，'single'）}-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raspi.utils.getRemoteBuildDirectory此函数列出使用生成的二进制文件的文件夹编码基因。假设二进制文件仅在一个文件夹中找到，请输入：

ApplicationDirpath=raspi.utils.getRemoteBuildDirectory(“应用程序名”,“mobilenet_预测”)；targetDirPath=ApplicationDirPath{1}.目录；

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\u raspi\u mobilenet.png”，targetDirPath）；

在Raspberry Pi上运行可执行程序

在MATLAB的Raspberry Pi上运行可执行程序，并将输出返回MATLAB。

爱克斯名称=“mobilenet_predict.elf”；Argsforex=“peppers\u raspi\u mobilenet.png”;%提供输入图像；命令=[“cd”目标路径‘sudo’exeName argsforexe]；输出=系统（r，命令）；

获取网络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

将前五名预测分数映射到训练网络中的相应标签，并显示输出。

类型mapPredictedScores\u mobilenet

%%将预测分数映射到标签并显示输出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_Scores=cellfun（@（x）str2double（x），S）；%%删除字符串predict_Scores（isnan（predict_Scores））=[]；[val，indx]=sort（predict_scores，'down'）；scores=val（1:5）*100；top5labels=ClassNames（indx（1:5））；%%在图像上显示分类标签im=imread（'peppers_raspi_mobilenet.png'）；im=imresize（im[224 224 224 224 224]）；outputImage=zers（224400,3，'uint8'）；对于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；对于k=1:5，outputImage=insertText（outputImage，[scol，srow]，[top5标签{k}'，'num2str（分数（k），'%2.2f'），'%'）]，'TextColor'，'w'，'FontSize'，15'，BoxColor'，'black'）；srow=srow+25；结束imshow（输出图像）；