米尔RK3576开发板测评--运行TinyMaix ：超轻量级推理框架
> `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。`之前在测评芯驰的D9360点点taptap安卓的时候测试过TinyMaix这个轻量级神经网络推理库，至于为什么说轻量级，因为其所需的算力消耗极少 在手写数字识别的历程中 仅需0.Mops的算力即可完成，他的关键代码少于400行 对于轻量级的模型来说占用资源十分的少，而且支持MaixHub在线训练，相较于Rknn那套及其复杂的推理框架，这个框架可以说是开箱即用。
RK3576平台相较于RK3588其主要缩减了四个A76大核改成了A72
GPU也由原来的G610 MC4减为了G52MC3
NPU功能保持变不变，均为6Tops
视频编解码也略有缩减
其余各接口也砍掉了一部分
主打极致性价比方案
说回正题 要运行TinaMaix 只需要简单几个步骤即可运行
首先确保系统安装了cmake gcc make工具
克隆存储库[(https://github.com/sipeed/TinyMaix)](https://)
运行mnist手写数字识别任务
```
cd examples/mnist
mkdir build
cd build
cmake ..
make
./mnist
```
!(//m.qjumbo.com/forum/data/attachment/forum/202504/06/221052xd1ry9rtmp8lr8mc.png)
!(//m.qjumbo.com/forum/data/attachment/forum/202504/06/221128v7tmoojfowfvllt2.png)
整个流程跑完仅仅需要**0.14ms**
可以看到soc平台强大的算力
mbnet
是适用于移动手机设备的简单图像分类模型，不过对单片机来说也稍微困难了些。
例程里的模型是 mobilenet v1 0.25，输入 128x128x3 的RGB图像，输出 1000 分类的预测
它需要至少 128KB SRAM 和 512KB Flash, STM32F411 是典型可以运行该模型的最低配置。
```cd
mkdir build
cd build
cmake ..
make
./mbnet
```
!(//m.qjumbo.com/forum/data/attachment/forum/202504/06/221552bqx2h5mjs9jkvbn8.png)
!(//m.qjumbo.com/forum/data/attachment/forum/202504/06/221559n6j46yzcz66zu62l.png)
运行1000分类 耗费资源如下
param “481,9 KB,0PS13,58 M0PS, buffer 96 0 KB
!(//m.qjumbo.com/forum/data/attachment/forum/202504/06/221903p867pwz8p7psmaam.png)
vww测试 主要是将图片信息转化为数组格式提供给网络输入
!(//m.qjumbo.com/forum/data/attachment/forum/202504/06/221936mfixoczdjilxv41y.png)
手写数字识别的例程也是十分简单 只需要
!(//m.qjumbo.com/forum/data/attachment/forum/202504/06/222127fppw2p2wamxx72wh.png)
!(//m.qjumbo.com/forum/data/attachment/forum/202504/06/222133qqxxnyb1cqb17x71.png)
!(//m.qjumbo.com/forum/data/attachment/forum/202504/06/222136ffflzm6ff0cef0nq.png)
库文件已经是高度封装且兼容所以很轻松的就可以在linux以及其它平台上移植
在RK3576这种高性能soc的加持下 可以发挥出更大的优势
学习了。
期待大佬出更多的分享。:D
页:
[1]