2245
在当今技术飞速发展的环境中，边缘机器学习（边缘ML）正在成为一股变革力量，重塑我们实时处理和分析数据的方式。这种创新技术直接在边缘设备上部署ML模型，带来了新一波响应式智能应用。
传统的ML模型依赖集中式云服务器进行大量数据处理，而边缘ML将计算负担转移到本地边缘设备上，从而实现即时决策，而无需一直依赖远程服务器。这种转变解决了传统方法在延迟、隐私和带宽方面固有的挑战。
边缘ML的一大关键优势是能够提供实时分析。通过直接在边缘设备上执行推理，应用可以对动态条件做出快速反应，使其成为时间关键型场景的理想选择。无论是自动驾驶汽车做出快速决策、智能监控摄像头执行区域监控，还是医疗保健设备提供及时诊断，边缘ML所减少的延迟都代表着重大进步。
本文将指导您使用NXP Semiconductors FRDM-MCXN947开发板开展边缘ML实际应用，并介绍用于生成ML模型的NXP eIQ® Portal。该开发板搭载的NXP MCX N947微控制器采用eIQ Neutron神经处理单元（NPU），设计用于缩短推理时间，同时还能延长边缘ML产品的电池续航时间。从智慧城市和工业物联网（IIoT）到医疗保健和消费电子产品，边缘ML的潜在应用多种多样，影响深远。
《Jump into Machine Learning with NXP》（实操项目解锁NXP产品在边缘机器学习中的潜力）一文对硬件和软件设置进行了更详细的介绍。
项目材料与资源
项目物料清单（BOM）
- NXP FRDM-MCXN947
项目代码/软件
其他资源
- MCUXpresso IDE终端窗口、Tera Term或其他终端模拟器软件
- Python编程语言
- OpenCV
其他硬件
- Windows PC
- USB Type-C转USB Type-A电缆或Type-C电缆（取决于PC提供的USB端口类型）
帐户
- NXP帐户（可免费创建）
项目技术概况
FRDM-MCXN947开发板（图1）采用MCX N947微控制器，该MCU有两个高性能Arm® Cortex®-M33内核，每个内核的运行速度高达150MHz。该MCU配备2MB闪存、可选的全ECC RAM、DSP协处理器和集成式eIQ Neutron NPU。NPU可显著提高ML吞吐量，与单核CPU相比，性能最多可提升30倍，因而可大幅缩短设备的工作时间，降低总体功耗。
图1：采用MCX N947 MCU的NXP FRDM-MCXN947开发板。（图源：贸泽电子）
多核架构通过在模拟和数字外设之间智能分配工作负载，提高了系统性能和效率。此开发板配备了MCUXpresso Developer Experience支持，经过优化且使用方便，可以加快嵌入式系统的开发速度。
MCX N94x系列专为工业应用而设计，具有更丰富的模拟和电机控制外设。
软件概述
本节将介绍运行本项目示例所需的软件。有关安装说明，请参阅《Jump into Machine Learning with NXP》一文。
MCUXpresso IDE
MCUXpresso集成开发环境（IDE）为开发人员提供基于Eclipse的用户友好开发环境，专为搭载Arm Cortex-M内核的NXP MCU量身定制，包括通用跨界MCU和支持无线功能的MCU。此IDE提供各种高级编辑、编译和调试功能，包括MCU特定调试视图、代码跟踪和剖析、多核调试以及集成的配置工具（图2）。
图2：NXP MCUXpresso IDE。（图源：贸泽电子）
SDK Builder
MCUXpresso SDK Builder（图3）通过提供开源驱动程序、中间件和参考示例应用来加快软件开发速度。通过SDK Builder，您可以定制并下载与所选处理器或评估板相匹配的软件开发套件（SDK），从而简化开发流程。我们将在后面创建并安装SDK。
图3：NXP MCUXpresso SDK Builder网站。（图源：贸泽电子）
eIQ Portal
eIQ Toolkit（图4）通过直观的图形用户界面（即eIQ Portal）和工作流工具，以及eIQ ML软件开发环境中的命令行主机工具选项，助力ML的开发。NXP的eIQ Toolkit是与Au-Zone Technologies独家合作开发的，它为开发人员提供图形级分析功能和运行时洞察力，可优化EdgeVerse™处理器上的神经网络架构。它还提供转换模型以便利用eIQ Neutron NPU所需的工具。
图4：NXP eIQ Portal。（图源：贸泽电子）
eIQ工具包为导入数据集提供了简便方法，并配有全面的用户指南，帮助您了解各种选项。
项目开发
本节将介绍如何开始构建项目。首先，打开eIQ Portal。
eIQ模型导入与训练
打开eIQ Portal后，单击Create Project（创建项目）并选择Import Dataset（导入数据集）。这时会出现几个选项（如用于检测任务的VOC数据集、用于分类任务的结构化文件夹、TensorFlow数据集），供您加载TensorFlow网站上提供的各种数据集（图5）。
图5：eIQ Portal数据集导入界面。（图源：贸泽电子）
导入数据集后，您可以捕获并添加其他映像，或使用增强工具修改现有映像。确认无误后，单击Portal窗口底部的Select Model（选择模型）框。
Model Selection（模型选择）部分（图6）包含三个选项——Classification（分类）、Segmentation（分割）和Detection（检测），每个选项都附有说明，以便用户根据训练时间和数据集大小等因素权衡利弊。在本文中，我们将使用训练速度更快，更适合测试数据集的Classification模型。如果有更高要求的话，可以随后再使用更复杂、需要更长训练时间和更大数据集的模型，如Detection。
图6：eIQ Portal的Model Selection窗口。（图源：贸泽电子）
接下来，选择模型性能选项（图7），包括Performance（性能）、Balanced（平衡）和Accuracy（精度），每个选项的权重都根据性能类型和设计要求确定。在本例中，我们选择Balanced。
图7：eIQ Portal的模型性能选择界面。（图源：贸泽电子）
然后，确定使用何种设备来推理模型（图8）。MCX N微控制器包含eIQ Neutron NPU，非常适合ML应用。
图8：eIQ Portal的设备选择界面。（图源：贸泽电子）
一切就绪后，就可以开始训练模型了。虽然有多个选项可以对训练过程进行修改（图9），但本项目中我们使用默认设置。训练完成后（可能需要几分钟），您可以选择调整设置并重新训练，或者继续训练，或者进入到对训练进行验证的步骤。
图9：eIQ Portal模型训练界面。（图源：贸泽电子）
验证过程（图10）提供了多个可调参数。因为我们选择了NPU作为推理目标，所以必须进行量化。评估本步骤和之前步骤中的不同选项，以确定哪些参数最符合您的具体要求。
图10：eIQ Portal模型验证界面。（图源：贸泽电子）
部署模型
模型训练和验证完成后，我们需要将其导出并转换为与NPU兼容的格式。本节将介绍转换步骤。
导出模型
完成验证后，eIQ Portal会提供部署或导出模型的选项；本项目中，我们需要导出模型。在左侧菜单中，确保打开Export Quantized Model（导出量化模型）设置，然后单击Export Model（导出模型）（图11）。选择要导出到的位置，然后等待导出完成。
图11：导出训练后的模型。（图源：贸泽电子）
转换模型
成功导出模型后，将鼠标悬停在顶部菜单中的Workspaces（工作区）上，然后选择Home（主页）。在eIQ Portal主页上，单击Model Tool（模型工具）。在下一个窗口中，单击Open Model（打开模型）。浏览到导出模型保存的位置，选择该文件，然后单击Open（打开），进入模型工具显示界面（图12）。
图12：导出模型显示在模型工具显示界面中。（图源：贸泽电子）
单击窗口左上角的三条横线图标打开菜单，然后单击Convert（转换）。在新窗口中，选择TensorFlow Lite for Neutron (.tflite)，打开Conversion Options（转换选项）窗口（图13）。将Neutron target（Neutron目标）设为mcxn94x，然后单击Convert（转换）。选择要将转换后的模型保存到的位置。
图13：eIQ模型工具的转换选项。（图源：贸泽电子）
将模型集成到MCXN94x NPU中
此时，软件模型已完成训练、验证、导出和转换，我们将使用MCUXpresso IDE将其集成到代码中，以便在MCX N94x上运行。如果尚未安装IDE，请参阅《Jump into Machine Learning with NXP》一文，了解安装说明。此外，还可以参阅该文章中的“Building and Installing the SDK”（创建并安装SDK）说明，以确保正确安装FRDM-MCXN947开发套件。
安装好MCUXpresso IDE和FRDM-MCXN947工具包后，下一步是导入示例项目。在MCUXpresso的Quickstart面板中，单击Import SDK example(s)...（导入SDK示例）启动SDK Import Wizard（SDK导入向导）。
1.在选择板和设备的页面中，选择frdmmcxn947板，然后单击Next（下一步）。
2.在Import projects（导入项目）窗口（图14）中，浏览到eiq_examples，然后选择tflm_cifar10。
3.单击Next。
图14：MCUXpresso的SDK Import Wizard。（图源：贸泽电子）
新建的示例程序将出现在IDE左上角的Project Explorer（项目资源管理器）中。
1.在Project Explorer中，浏览至Source文件夹并展开显示子文件夹，然后右键单击Model
2.单击New（新建），然后选择File from Template（从模板创建文件）。
3.在New File（新建文件）窗口（图15）中，在File name:（文件名）字段输入新文件的名称，然后选择Configure（配置）。
图15：从模板创建新文件。（图源：贸泽电子）
4.在Preferences (Filtered)（首选项 (筛选)）窗口（图16）中，选择Assembly Source File（程序集源文件），然后单击Apply and Close（应用并关闭）。
图16：模板首选项。（图源：贸泽电子）
创建文件后，在Project Explorer中添加以下代码行（图17）。请将custom_model_converted_V1.tflite替换为您使用的文件名。
.section .rodata
.align 16
.global custom_model_data
.global custom_model_data_end
custom_model_data:
.incbin "/source/model/custom_model_converted_V1.tflite"
custom_model_data_end:
然后，浏览至转换后的tflite文件所在位置并复制模型。在MCUXpresso IDE中，将模型文件粘贴到Model文件夹中。
图17：新建的程序集源文件，包含修改后的代码。（图源：贸泽电子）
接下来，更新model.cpp，使图18中突出显示的部分与custom_model_data[]匹配。同时，更新修改model_cifarnet_ops_npu.cpp，确保自定义模型使用的所有运算符都更新/添加到s_microOpResolver中（图19）。
图18：编辑model.cpp文件。（图源：贸泽电子）
图19：编辑model_cifarnet_ops_npu.cpp文件。（图源：贸泽电子）
测试模型
接下来，我们要准备测试数据，然后对模型进行测试。下面的Python脚本可以轻松转换图像，并将其导出到C数组中，以便在示例代码中使用。在本示例中，我们将使用Python脚本，把船的图像替换为鸟的图像。
img = cv2.imread('bird.jpg')
img = cv2.resize(img, (128,128))
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
with open('bird.h', 'w') as fout:
print('#define STATIC_IMAGE_NAME "bird"', file=fout)
print('static const uint8_t bird [] = {', file=fout)
img.tofile(fout, ',', '0x%02x')
print('};n', file=fout)
将转换后的“.h”文件复制到项目中的image文件夹，该文件夹与model文件夹位于同一位置。然后，修改image_load.c文件以指向新的图像数组（图20）。
图20：修改后的image_load.c文件。（图源：贸泽电子）
打开终端界面（如Putty），按如下所示配置串行设置：
- 波特率：115200
- 数据位：8
- 奇偶校验位：无
- 停止位：1
- 流控制：无
接下来，在MCUXpresso IDE中选择Debug（调试），以构建并运行更新后的项目代码。如果构建过程和代码运行成功，终端窗口将出现图21所示的输出。
图21：终端窗口输出。（图源：贸泽电子）
该序列可用于评估不同的图像，以验证模型的准确性。
结语
边缘ML的变革性潜能在于其提供实时见解的能力。如本项目所示，在边缘设备上进行直接推理，可使应用对不断变化的条件迅速做出反应，这在时间紧迫的情况下尤为有利。
作者简介
Joseph Downing于2011年加入贸泽电子，担任技术支持专员，后转为技术内容专员。此外，Joseph还曾就职于Intel、Radisys和Planar等电子行业公司，拥有20多年的工作经验。作为一名狂热的创客，Joseph帮助管理并向应用与技术专栏（Mouser.com网站上）以及贸易展会提供技术项目和材料。
下载ECAD模型
