Neste documento, explicamos como treinar um modelo e executar a inferência usando um microcontrolador.
O exemplo de Hello World
A Hello World (link em inglês) exemplo, foi criado para demonstrar os fundamentos básicos do uso da LiteRT para microcontroladores. Treinamos e executamos um modelo que replica uma função seno ou seja, recebe um único número como entrada e gera a saída sine. Quando implantados no microcontrolador, suas previsões são usadas para piscar os LEDs ou controlar um animação.
O fluxo de trabalho completo envolve as seguintes etapas:
- Treinar um modelo (em Python): um arquivo Python para treinar, converter e otimizar um modelo para uso no dispositivo.
- Executar inferência (em C++ 17): um teste de unidade completo que executa a inferência no modelo usando a biblioteca C++.
Usar um dispositivo com suporte
O aplicativo de exemplo que usaremos foi testado nos seguintes dispositivos:
- Arduino Nano 33 BLE Sense (usando o ambiente de desenvolvimento integrado do Arduino)
- SparkFun Edge (criação direta da origem)
- Kit de descoberta STM32F746 (usando o Mbed)
- Adafruit EdgeBadge (usando Arduino) IDE)
- Kit Adafruit LiteRT para microcontroladores (usando o ambiente de desenvolvimento integrado do Arduino)
- Circuito Adafruit Playground Bluefruit (usando o ambiente de desenvolvimento integrado do Arduino)
- Espressif ESP32-DevKitC (link em inglês) (usando o IDF do ESP)
- Espressif ESP-EYE (em inglês) (usando o IDF do ESP)
Saiba mais sobre as plataformas compatíveis em LiteRT para microcontroladores (em inglês)
Treinar um modelo
Usar train.py para treinamento de modelo "Hello World" para reconhecimento sinwave
Executar: bazel build tensorflow/lite/micro/examples/hello_world:train
bazel-bin/tensorflow/lite/micro/examples/hello_world/train --save_tf_model
--save_dir=/tmp/model_created/
Executar inferência
Para executar o modelo em seu dispositivo, vamos seguir as instruções na
README.md
:
As seções a seguir mostram as etapas
evaluate_test.cc
,
um teste de unidade, que demonstra como executar inferência usando o LiteRT para
Microcontroladores. Ele carrega o modelo e executa a inferência várias vezes.
1. Incluir os cabeçalhos da biblioteca
Para usar a biblioteca LiteRT para microcontroladores, é necessário incluir o elemento seguintes arquivos de cabeçalho:
#include "tensorflow/lite/micro/micro_mutable_op_resolver.h"
#include "tensorflow/lite/micro/micro_error_reporter.h"
#include "tensorflow/lite/micro/micro_interpreter.h"
#include "tensorflow/lite/schema/schema_generated.h"
#include "tensorflow/lite/version.h"
micro_mutable_op_resolver.h
fornece as operações usadas pelo intérprete para executar o modelo.micro_error_reporter.h
gera informações de depuração.micro_interpreter.h
contém código para carregar e executar modelos.schema_generated.h
contém o esquema para a classe LiteRT Formato de arquivo de modeloFlatBuffer
.version.h
fornece informações de controle de versões para o esquema LiteRT.
2. Incluir o cabeçalho do modelo
O intérprete da LiteRT para microcontroladores espera que o modelo seja
fornecido como uma matriz C++. O modelo é definido nos arquivos model.h
e model.cc
.
O cabeçalho é incluído com a seguinte linha:
#include "tensorflow/lite/micro/examples/hello_world/model.h"
3. Incluir o cabeçalho do framework de teste de unidade
Para criar um teste de unidade, incluímos o LiteRT para Framework de teste de unidade de microcontroladores incluindo a seguinte linha:
#include "tensorflow/lite/micro/testing/micro_test.h"
O teste é definido usando as seguintes macros:
TF_LITE_MICRO_TESTS_BEGIN
TF_LITE_MICRO_TEST(LoadModelAndPerformInference) {
. // add code here
.
}
TF_LITE_MICRO_TESTS_END
Agora, vamos falar sobre o código incluído na macro acima.
4. Configurar a geração de registros
Para configurar a geração de registros, um ponteiro tflite::ErrorReporter
é criado usando um
a uma instância de tflite::MicroErrorReporter
:
tflite::MicroErrorReporter micro_error_reporter;
tflite::ErrorReporter* error_reporter = µ_error_reporter;
Essa variável será transmitida ao intérprete, que permite que ele grave
ou de sistemas operacionais de contêineres. Como os microcontroladores geralmente têm uma variedade de mecanismos para a geração de registros, o
A implementação de tflite::MicroErrorReporter
foi projetada para ser personalizada
seu dispositivo específico.
5. Carregar um modelo
No código abaixo, o modelo é instanciado usando dados de uma matriz char
.
g_model
, que é declarado em model.h
. Em seguida, verificamos o modelo para garantir que
schema.org é compatível com a versão que estamos usando:
const tflite::Model* model = ::tflite::GetModel(g_model);
if (model->version() != TFLITE_SCHEMA_VERSION) {
TF_LITE_REPORT_ERROR(error_reporter,
"Model provided is schema version %d not equal "
"to supported version %d.\n",
model->version(), TFLITE_SCHEMA_VERSION);
}
6. Instanciar o resolvedor de operações
Um
MicroMutableOpResolver
instância seja declarada. Isso será usado pelo intérprete para registrar e
acesse as operações usadas pelo modelo:
using HelloWorldOpResolver = tflite::MicroMutableOpResolver<1>;
TfLiteStatus RegisterOps(HelloWorldOpResolver& op_resolver) {
TF_LITE_ENSURE_STATUS(op_resolver.AddFullyConnected());
return kTfLiteOk;
O MicroMutableOpResolver
requer um parâmetro de modelo que indique o número
de operações que serão registradas. A função RegisterOps
registra as operações
com o resolvedor.
HelloWorldOpResolver op_resolver;
TF_LITE_ENSURE_STATUS(RegisterOps(op_resolver));
7. Alocar memória
Precisamos pré-alocar um certo volume de memória para entrada, saída e
matrizes intermediárias. Isso é fornecido como uma matriz uint8_t
de tamanho
tensor_arena_size
:
const int tensor_arena_size = 2 * 1024;
uint8_t tensor_arena[tensor_arena_size];
O tamanho necessário dependerá do modelo que você estiver usando e poderá precisar ser são determinados pela experimentação.
8. Intérprete de instanciação
Criamos uma instância tflite::MicroInterpreter
, transmitindo as variáveis
criada anteriormente:
tflite::MicroInterpreter interpreter(model, resolver, tensor_arena,
tensor_arena_size, error_reporter);
9. Alocar tensores
Instruímos o intérprete a alocar memória do tensor_arena
para o
tensores do modelo:
interpreter.AllocateTensors();
10. Validar o formato da entrada
A instância MicroInterpreter
pode fornecer um ponteiro para o
Tensor de entrada chamando .input(0)
, em que 0
representa o primeiro (e único)
tensor de entrada:
// Obtain a pointer to the model's input tensor
TfLiteTensor* input = interpreter.input(0);
Em seguida, inspecionamos o tensor para confirmar que a forma e o tipo dele são os mesmos esperando:
// Make sure the input has the properties we expect
TF_LITE_MICRO_EXPECT_NE(nullptr, input);
// The property "dims" tells us the tensor's shape. It has one element for
// each dimension. Our input is a 2D tensor containing 1 element, so "dims"
// should have size 2.
TF_LITE_MICRO_EXPECT_EQ(2, input->dims->size);
// The value of each element gives the length of the corresponding tensor.
// We should expect two single element tensors (one is contained within the
// other).
TF_LITE_MICRO_EXPECT_EQ(1, input->dims->data[0]);
TF_LITE_MICRO_EXPECT_EQ(1, input->dims->data[1]);
// The input is a 32 bit floating point value
TF_LITE_MICRO_EXPECT_EQ(kTfLiteFloat32, input->type);
O valor de enumeração kTfLiteFloat32
é uma referência a um dos
tipos de dados e é definida em
common.h
.
11. Fornecer um valor de entrada
Para fornecer uma entrada ao modelo, definimos o conteúdo do tensor de entrada, como da seguinte forma:
input->data.f[0] = 0.;
Nesse caso, inserimos um valor de ponto flutuante que representa 0
.
12. Executar o modelo
Para executar o modelo, podemos chamar Invoke()
na tflite::MicroInterpreter
instância:
TfLiteStatus invoke_status = interpreter.Invoke();
if (invoke_status != kTfLiteOk) {
TF_LITE_REPORT_ERROR(error_reporter, "Invoke failed\n");
}
Podemos verificar o valor de retorno, um TfLiteStatus
, para determinar se a execução foi
bem-sucedido. Os valores possíveis de TfLiteStatus
, definidos em
common.h
,
são kTfLiteOk
e kTfLiteError
.
O código a seguir declara que o valor é kTfLiteOk
, o que significa que a inferência foi
executada com sucesso.
TF_LITE_MICRO_EXPECT_EQ(kTfLiteOk, invoke_status);
13. Receber a saída
Para acessar o tensor de saída do modelo, chame output(0)
no
tflite::MicroInterpreter
, em que 0
representa a primeira (e única) saída.
.
No exemplo, a saída do modelo é um único valor de ponto flutuante contido em um tensor 2D:
TfLiteTensor* output = interpreter.output(0);
TF_LITE_MICRO_EXPECT_EQ(2, output->dims->size);
TF_LITE_MICRO_EXPECT_EQ(1, input->dims->data[0]);
TF_LITE_MICRO_EXPECT_EQ(1, input->dims->data[1]);
TF_LITE_MICRO_EXPECT_EQ(kTfLiteFloat32, output->type);
Podemos ler o valor diretamente do tensor de saída e declarar que é o que esperamos:
// Obtain the output value from the tensor
float value = output->data.f[0];
// Check that the output value is within 0.05 of the expected value
TF_LITE_MICRO_EXPECT_NEAR(0., value, 0.05);
14. Executar inferência novamente
O restante do código executa a inferência várias vezes. Em cada caso, atribuímos um valor ao tensor de entrada, invocamos o intérprete e lemos o do tensor de saída:
input->data.f[0] = 1.;
interpreter.Invoke();
value = output->data.f[0];
TF_LITE_MICRO_EXPECT_NEAR(0.841, value, 0.05);
input->data.f[0] = 3.;
interpreter.Invoke();
value = output->data.f[0];
TF_LITE_MICRO_EXPECT_NEAR(0.141, value, 0.05);
input->data.f[0] = 5.;
interpreter.Invoke();
value = output->data.f[0];
TF_LITE_MICRO_EXPECT_NEAR(-0.959, value, 0.05);