基于米尔芯驰MY-YD9360商显板的神经网络推理库测试
本帖最后由 swiftman 于 2024-8-9 18:12 编辑本篇测评由优秀测评者“短笛君”提供。本文将介绍基于米尔电子MYD-YD9360商显板（米尔基于芯驰D9360国产开发板）的TinyMaxi轻量级的神经网络推理库方案测试。算力测试TinyMaix 是面向单片机的超轻量级的神经网络推理库，即 TinyML 推理库，可以让你在任意单片机上运行轻量级深度学习模型~ 开源地址：https://github.com/sipeed/TinyMaix搭建的环境为编译的Ubuntu18.04 已经预装好cmake make工具由于魔法网络原因，这里提前下载好tar包到宿主机上，然后传输到板卡中解压
[*]查看cmake版本
cmake -version
https://srcc.myir.cn/images/20240705/5836dd279b164b53d8fda940f23d78dc.png?v=539184
[*]查看cmake版本
make -version
https://srcc.myir.cn/images/20240705/2085179c620e451bc5e061929b997a42.png?v=367103 确认文件路径，尽量不要拷贝到有权限的路径下https://srcc.myir.cn/images/20240705/d77573862956dbef9aab4aaa428fb794.png?v=990908 自带示例https://srcc.myir.cn/images/20240705/b7da0d4fb15a3fddbe117545602469b1.png?v=246296 文件结构
MNIST示例MNIST是手写数字识别任务cd到examples/mnist目录下 使用mkdir build && cd build 命令切换到build文件夹下cmake ..
make./ mnist
cmake生成构建系统
使用make构建可执行文件然后运行https://srcc.myir.cn/images/20240705/94521027b05ac59e0bbb7e90ee623301.png?v=685642可以看到输出信息https://srcc.myir.cn/images/20240705/c0ff82d89a4c6a55ba80acdf3e2d3d33.png?v=382795
MNIST 示例默认未使用任何指令加速，运行了一张 28×28 的手写数字模拟图像，共消耗了 0.114 毫秒 MBNET示例mbnet 是适用于移动设备的简单图像分类模型。
[*]切换到 /examples/mbnet 目录：
[*]修改 main.c 文件
[*]创建 build 文件夹并切换
[*]使用 cmake 命令生成构建系统
[*]使用 make 命令构建系统，生成可执行文件
[*]运行可执行文件，执行效果如下
https://srcc.myir.cn/images/20240705/176d95fe5282109629d8fadea4e3df85.png?v=272686https://srcc.myir.cn/images/20240705/3bfd13798054ddf2ad2e1c4e7c8d72fa.png?v=486694
[*]MBNET 示例运行输入了一张 96×96×3 的 RGB 图像，输出 1000 分类，共消耗了 16.615 毫秒
运行cifar10 demo
https://srcc.myir.cn/images/20240705/7a544fc4bb07b61ef2f654d8097cca38.png?v=806857https://srcc.myir.cn/images/20240705/9101c3e16b1667d11592a47a4d7624e7.png?v=790370
页:
[1]