TDA4开发

最近更新：2022-07-24 | 字数总计：3.2k | 阅读估时：13分钟 | 阅读量：次

TDA4开发(一) soc介绍

运行板载demo
配置文件
Inputs
Models
Outputs
Flows
模型下载
自定义模型
References

TiDL-tools
WorkFlow
模型转换
1，在PC上搭建环境[3]
2，验证环境是否可用
3，SOC端推理
References

TI 的 TDA4VM SoC 包含双核 A72、高性能视觉加速器、视频编解码器加速器、最新的 C71x 和 C66x DSP、用于捕获和显示的高带宽实时 IP、GPU、专用安全岛和安全加速器。SoC 经过功率优化，可为机器人、工业和汽车应用中的感知、传感器融合、定位和路径规划任务提供一流的性能。TDA4VM Edge AI Starter Kit (SK) 是一款低成本、小尺寸板，功耗大约20W，能提供8TOPS深度学习算力，支持Tensorflow Lite,ONNX,TVM,GStreamer接口

TDA4开发(一) soc介绍

Preface

TDA4VM SK

运行前准备

•SK板

•USB camera •支持HDMI或者DP口的显示器 •至少16GB空间SD卡，如果大于16G，需要手动拓展 root filesystem

•网线和局域网

•串口电源（5-20V DC），功率保证20W以上如果功率不够，运行期间可能导致重启

设置启动模式

将拨码开关拨到如图所示位置，系统从SD卡启动

支持的相机输入

USB Camera

驱动已经在SDK中解决了，根据文档说明，已经测试过C270/C920/C922三款camera，如果遇到camera打不开的情况参考文档[1]

YUV sensor

支持OV5640，200万像素，CSI接口，YUYV输出，产品信息[2]默认在SDK中，OV5640是被屏蔽的，需要手动开启支持打开/run/media/mmcblk0p1/uenv.txt

然后编辑

1	name_overlays=k3-j721e-edgeai-apps.dtbo k3-j721e-sk-csi2-ov5640.dtbo

重启设备即可

Raw sensor

RPiV2

软件设置

下载SDK包[3]

下载烧录软件[4]

烧录软件使用1.7.0版本烧录完成即可上电启动

先插入SD卡，然后再上电，显示器就会有如下图所示画面，代表启动成功

板子默认在串口打印日志，所以初次上电需要连接串口，登陆账号

串口使用

在host ubuntu上推荐安装minicom，minicom使用方法参考[5]

在windows上推荐安装teraterm[6]

ubuntu下启动minicom

1	sudo minicom -D /dev/ttyUSB2 -c on

板子默认串口波特率是115200 连接串口登陆用户名是root，不需要密码进去之后，ifconfig查询板子ip地址，后面即可使用ssh登陆

推荐使用vscode，可以利用remote插件来直接ssh登陆到板子，然后可以很方便地修改配置文件

配置软件环境

软件环境配置才是重点，例如安装tensorflow，onnx，python和c++依赖库

1	/opt/edge_ai_apps#./setup_script.sh

运行上面脚本，所有环境自动安装

•clone Tensoflow•clone ONNX-RT•clone edgeai-tiovx-modules•clone edgai-gst-plugins•clone adgeai-tidl-tools•compile C++ apps

经常会遇到运行失败，原因就是访问github比较慢，多试几次就好

如果需要调试相关环境，直接在运行的时候，加入参数，即可编译debug版本

1	root@j7-evm:/opt/edge_ai_apps#./setup_script.sh -d

References

[1] 参考文档: https://software-dl.ti.com/jacinto7/esd/processor-sdk-linux-sk-tda4vm/latest/exports/docs/faq.html#pub-edgeai-multiple-usb-cams
[2] 产品信息: https://www.leopardimaging.com/product/cmos-sensor-modules/mipi-camera-modules/li-am65x-csi2
[3] SDK包: https://dr-download.ti.com/software-development/software-development-kit-sdk/MD-4K6R4tqhZI/08.02.00.02/ti-processor-sdk-linux-sk-tda4vm-etcher-image.zip
[4] 烧录软件: https://github.com/balena-io/etcher/releases/tag/v1.7.0
[5] minicom使用方法参考: https://help.ubuntu.com/community/Minicom
[6] teraterm: https://learn.sparkfun.com/tutorials/terminal-basics/tera-term-windows

TDA4开发(二) 运行demo

原创 carpenter 卡本特 2022-07-08 20:30 发表于广东

收录于合集#Ti-tda44个

运行板载demo

Ti在板载端提供了非常丰富的demo，每个demo都提供了输入文件，模型文件。只需要修改config文件运行即可，demo分为python版本和c++版本，C++版本的运行效率会稍微高一些

配置文件

配置文件通过使用YAML格式来设置参数，配置文件路径为edge_ai_app/configs

在配置文件中指定了demo运行的输入类型，例如picture, video, camera

还可以指定加载模型的路径，指定输出类型，例如是保存到本地文件还是输出到显示器

如下图所示

config 文件分为四个部分

•Inputs

•Models

•Outputs

•Flows

Inputs

1
2
3

inputs:    input0:                                         #Camera Input        source: /dev/video2                         #Device file entry of the camera        format: jpeg                                #Input data format suported by camera        width: 1280                                 #Width and Height of the input        height: 720        framerate: 30                               #Framerate of the source
    input1:                                         #Video Input        source: ../data/videos/video_0000_h264.mp4  #Video file        format: h264                                #File encoding format        width: 1280        height: 720        framerate: 25
    input2:                                         #Image Input        source: ../data/images/%04d.jpg             #Sequence of Image files, printf style formatting is used        width: 1280        height: 720        index: 0                                    #Starting Index (optional)

1, Camera

挂载到板子上的camera会被v4l2src GStreamer来作解析，是否会被识别为camera，需要使用脚本来验证

1	./init_script.sh

如果插上的camera能够成功被识别，那么会有如下输出

1	root@j7-evm:/opt/edge_ai_apps# ./init_script.shUSB Camera detected device = /dev/video2 format = jpeg

2, Video

支持H264和H265格式

1
2

input1:    source: ../data/videos/video_0000_h264.mp4    format: h264    width: 1280    height: 720    framerate: 25
input2:    source: ../data/videos/video_0000_h265.mp4    format: h265    width: 1280    height: 720    framerate: 25

如果不确定某个视频文件具体的视频流格式，那么可以在format设置为auto, 可以被Gstreamer自动解码识别

3, Images

可以配置输入为多张图片，指定图片文件夹路径即可

1	input2: source: ../data/images/%04d.jpg width: 1280 height: 720 index: 0 framerate: 1

4, RTSP stream

GStreamer可以解析来自于RTSP数据源非加密数据

1	input0: source: rtsp://172.24.145.220:8554/test # rtsp stream url, replace this with correct url width: 1280 height: 720 framerate: 30

Models

配置推理模型的相关参数，包括模型路径，和模型参数，例如阈值。在anchor based的目标检测算法中可能有topN参数，在segmentation中有alpha参数, 不同类型的模型需要的配置参数不同

models:    model0:        model_path: ../models/segmentation/ONR-SS-871-deeplabv3lite-mobv2-cocoseg21-512x512   #Model Directory        alpha: 0.4                                                                            #alpha for blending segmentation mask (optional)    model1:        model_path: ../models/detection/TFL-OD-202-ssdLite-mobDet-DSP-coco-320x320        viz_threshold: 0.3                                                                    #Visualization threshold for adding bounding boxes (optional)    model2:        model_path: ../models/classification/TVM-CL-338-mobileNetV2-qat        topN: 5                                                                               #Number of top N classes (optional)

Outputs

可以配置为显示器输出，保存为视频文件，输出为图片

1
2
3

outputs:    output0:                                                     #Display Output        sink: kmssink        width: 1920                                              #Width and Height of the output        height: 1080        connector: 39                                            #Connector ID for kmssink (optional)
    output1:                                                     #Video Output        sink: ../data/output/videos/output_video.mkv             #Output video file        width: 1920        height: 1080
    output2:                                                     #Image Output        sink: ../data/output/images/output_image_%04d.jpg        #Image file name, printf style formatting is used        width: 1920        height: 1080

1, 显示器输出

支持DP和HDMI的输出，确认显示器是否成功连接

1	root@j7-evm:/opt/edge_ai_apps# modetest -M tidss -c \| grep connected39 38 connected DP-1 530x300 12 3848 0 disconnected HDMI-A-1 0x0 0 47

例如上面显示，connector 39是connected状态，所以在配置Output的时候，可以在connector填入39

2，保存本地视频

1	output1: sink: ../data/output/videos/output_video.mkv width: 1920 height: 1080

3，保存为图片

1	output2: sink: ../data/output/images/output_image_%04d.jpg width: 1920 height: 1080

Flows

通过配置Flows可以将不同的input,model,output组合到一起

模型下载

跑完板载的简单demo，可以配置比较复杂的任务了

Ti提供了一个叫做Model Downloader Tool[1]的工具，用来下载不同类型的预训练模型

运行下载器

1	root@j7-evm:/opt/edge_ai_apps# ./download_models.sh

是一个可交互界面，可以通过键盘选择想要下载的模型文件，其保存路径在/opt/model/zoo

自定义模型

官方提供的模型肯定是不能满足个人业务需求的，所以自己训练模型并导入到tda4运行，是一个必然绕不开的路

Ti SDK提供了加载自定义模型的接口

•Tensorflow Lite•ONNX•TVM/Neo AI-DLR

每一个DNN模型需要满足以下结构

TFL-OD-2010-ssd-mobV2-coco-mlperf-300x300│├── param.yaml│├── artifacts│   ├── 264_tidl_io_1.bin│   ├── 264_tidl_net.bin│   ├── 264_tidl_net.bin.layer_info.txt│   ├── 264_tidl_net.bin_netLog.txt│   ├── 264_tidl_net.bin.svg│   ├── allowedNode.txt│   └── runtimes_visualization.svg│└── model    └── ssd_mobilenet_v2_300_float.tflite

•model

模型文件，例如tflite，onnx等

•artifacts

由SDK编译生成出来的文件，网络层信息，量化信息，节点名称。

此部分是将模型转为TiDL模型中最为关键的一部分，Ti提供专门的文档[2]来解释这部分内容。

•param.yaml 定义前处理，后处理等参数，例如anchor based和anchor free的后处理操作就很大不一样, 例如目标检测和语义分割对应的param格式就不一样，Ti提供了benchmark[3], 可以在里面找到对应的模板

SDK提供了一个工具叫做Edge AI TIDL Tools[4], 可以将通用模型转为Ti支持的DNN模型，目前支持三种模型的转换，但是Ti建议分别使用三种模型尝试转换，哪种模型的精度高就选用哪种模型做最终部署

References

[1] Model Downloader Tool: https://github.com/TexasInstruments/edgeai-modelzoo
[2] 文档: https://software-dl.ti.com/jacinto7/esd/processor-sdk-linux-sk-tda4vm/latest/exports/docs/inference_models.html#pub-edgeai-compile-artifacts
[3] benchmark: https://github.com/TexasInstruments/edgeai-benchmark/tree/master/examples/configs/yaml
[4] Edge AI TIDL Tools: https://github.com/TexasInstruments/edgeai-tidl-tools/blob/master/examples/osrt_python/README.md#model-compilation-on-pc

TDA4开发(三) 运行demo

TiDL-tools

在TDA4上进行inference的时候，主要是跑在A72和C71-MMA异构系统上，并不是单核完成。具体哪些操作在A核哪些操作在DSP核，需要在SDK编译时候配置。

TF-Lite[1]提供了TFLite Delgate API[2], TiDL可以很方便地去调用。ONNX和TVM则是调用标准API

WorkFlow

以TFLite为例，TFLite的模型首先需要在PC上根据SDK生成Artifacts，然后再将模型和artifact一起作为输入，送到soc中完成推理任务

模型转换

1，在PC上搭建环境[3]

建议Ubuntu18.04 + Python3.6，模型转换只能通过python脚本完成

需要使用pip配置环境，需要先安装pip

1	sudo apt install python3-pip

下载代码，然后安装

1	git clone https://github.com/TexasInstruments/edgeai-tidl-tools.gitexport DEVICE=j7#export DEVICE=am62 #设置DEVICEcd edgeai-tidl-toolssource ./setup.sh

需要大量下载，时间会比较长

可能会在某个步骤安装出错，需要打开setup.sh，按照终端输出信息来重试几次。

编译ONNX失败

这是因为没有安装proto compillar

1	sudo apt install protobuf-compiler libprotoc-dev

成功安装如图所示

配置环境变量

在代码里面有大量使用系统环境变量的地方，需要事先将环境变量设置好

1	export DEVICE=j7export TIDL_TOOLS_PATH="/home/lcg/tidl/edgeai-tidl-tools"

临时修改环境比那两只需要在shell中直接执行export即可，如果需要一劳永逸，添加到~/.bahsrc中即可

2，验证环境是否可用

1	./scripts/run_python_examples.sh

脚本中包含了很多验证的过程，如果哪一步骤出错，可以单独验证

如果出现这种情况

1	ValueError: could not load library libvx_tidl_rt.so

或者下面这种情况

需要在当前shell终端重新运行source ./setup.sh，配置当前终端环境

1	/home/lcg/tidl/edgeai-tidl-tools/tidl_tools/tidl_graphVisualiser.out: error while loading shared libraries: libcgraph.so.6: cannot open shared object file: No such file or directory

没有找到libcgraph.so库，如果安装过，则把路径添加到$ld_LIBRARY_PATH即可

如果没有安装过，则sudo apt install graphviz

使用python脚本验证example

python脚本可以同时完成模型转换和推理验证

使用如下命令生成artifacts，并生成结果图片

1	cd examples/osrt_python/tflpython3 tflrt_delegate.py -c#具体 -c -d 参数可以参考代码

如果能生成以上结果，就说明python运行example没有问题

使用C++验证example

C++的example只能完成推理验证，不能做模型转换。所以需要使用python代码生成的artifacts来做推理生成结果

C++的API需要读取yaml文件，所以需要单独安装一个库

1	sudo apt install libyaml-cpp-dev

在edgaai-tidl-tools目录下创建build文件夹用来生成编译文件

1	mkdir build && cd build

在编译过程中，通过cmake设置参数来指定编译类型

1	cmake-gui ../example

•TENSORFLOW_INSTALL_DIR : defaults check at ~/tensorflow•ONNXRT_INSTALL_DIR: defaults check at ~/onnxruntime•DLR_INSTALL_DIR: defaults check at ~/neo-ai-dlr•OPENCV_INSTALL_DIR: defaults check at ~/opencv-4.1.0•ARMNN_PATH: defaults check at ~/armnn•TARGET_FS_PATH: defaults check ~/targetfs•CROSS_COMPILER_PATH: defaults check ~/gcc-arm-9.2-2019.12-x86_64-aarch64-none-linux-gnu

这里采用默认配置即可

1	#例如你要修改opencv路径#cmake -DOPENCV_INSTALL_DIR="/home/opencv4.1" -DTARGET_CPU=arm ../examplesmake -jcd ../

在repo的根目录生成bin文件夹

运行example

1	# -f 指定artifacts，由python脚本生成# -i 指定输入图像./bin/Release/ort_main -f model-artifacts/od-ort-ssd-lite_mobilenetv2_fpn -i test_data/ADE_val_00001801.jpg

3，SOC端推理

在模型转化阶段生成的artifacts，此处就派上用场了

将文件夹拷贝到soc板，./model-artifacts,models

这里的脚本只能验证流程是否跑通，并不能得到具体的精度数据，如果需要量化评估，需要参考ti 提供的benchmark[4]

References

[1] TF-Lite: https://www.tensorflow.org/lite/guide/inference
[2] TFLite Delgate API: https://www.tensorflow.org/lite/performance/delegates
[3] 搭建环境: https://github.com/TexasInstruments/edgeai-tidl-tools/blob/master/README.md#setup
[4] benchmark: https://github.com/TexasInstruments/edgeai-benchmark

2022-07-24