PowLu/TencentOS-tiny
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

.md更新

Browse Source
This commit is contained in:
QingChuanWS
2021-02-06 17:10:33 +08:00
parent 398328c0a1
commit b5eca1ccbe
2 changed files with 15 additions and 11 deletions
Download Patch File Download Diff File Expand all files Collapse all files

6
components/ai/tflite_micro/TFlite_Micro_Component_User_Guide.md
View File

@@ -283,13 +283,14 @@ make -f tensorflow/lite/micro/tools/make/Makefile generate_projects
成功运行之后会打印`--tensorflow lite micro source file extract successful--`字样，并在对应的`tflitemicro_path`路径下生成`Source`文件夹存放生成的tensorflow Lite Micro源文件。
## 2. 将源文件加入KEIL工程并生成.lib库
## 2.2 将源文件加入 KEIL 工程并生成 .lib 库
新建目标芯片的KEIL工程（本次示例以 ARM Cortex M4 为例），将Source目录下的`tensorflow`和`third_party`文件夹拷贝到KEIL工程的根目录下，并添加`tensorflow`目录下除`lite/micro/kernels`以及`lite/micro/tools`文件夹以外的所有源文件（包含.c和.cc)，例如下图所示：
<div align=center>
<img src="image/lib文件目录.png" width=80% />
</div>
**注意**
在添加`tensorflow/lite/micro/kernel`目录下的源文件时需要区分`reference`算子和应用`CMSIS-NN`加速之后的算子，`tensorflow/lite/micro/kernel`文件夹内容如下图中所示：
@@ -309,6 +310,8 @@ make -f tensorflow/lite/micro/tools/make/Makefile generate_projects
1. 添加`tensorflow/lite/micro/kernel/`中的全部算子；
2. 无需添加`tensorflow/lite/micro/tools`文件夹下的源文件。
**注：如果使用的是 ARM Cortex M4 以上的 MCU 的话，建议采用 CMSIS-NN 算子来生成 lib 库，可以获得较大的性能提升。**
同时采用 compiler version 6 编译器并关闭 Microlib：
<div align=center>
@@ -328,4 +331,3 @@ make -f tensorflow/lite/micro/tools/make/Makefile generate_projects
</div>
最后点击编译链接之后，即可在工程根目录的 `Objects` 文件夹下生成 ARM Cortex M4 对应的 .lib 库，其他内核型号的 tflite_micro 库以此类推。

8
components/ai/tflite_micro/readme.md
View File

@@ -22,11 +22,13 @@ tflite_micro
其中，KEIL 文件夹中放置了针对 KEIL 编程环境需要额外添加的源文件，如果使用的是 KEIL 编程环境则需要将其中的源文件一同加入工程。
ARM_CortexM4_lib 和 ARM_CortexM7_lib 两个文件夹中存放了针对 Cortex M4、M7 平台预先优化、编译好的 tensorflow_lite_micro.lib 库，优化后的性能数据可以参考附录部分；这样做的目的是：如果在开发过程中使用了 ARM Cortex M4 或 M7 系列的芯片可以直接使用对应的 tensorflow_lite_micro.lib 库，并包含相关的头文件，可以极大的简化神经网络任务的部署流程。
ARM_CortexM4_lib 和 ARM_CortexM7_lib 两个文件夹中存放了针对 Cortex M4、M7 平台预先优化编译好的 tensorflow_lite_micro.lib 库，优化后的性能数据可以参考附录部分；如果在开发过程中使用了 ARM Cortex M4 或 M7 系列的芯片可以直接使用对应的 tensorflow_lite_micro.lib 库，并包含相关的头文件，可以极大的简化神经网络任务的部署流程。
## 3.移植案例
在 [TFlite_Micro_Component_User_Guide.md](./TFlite_Micro_Component_User_Guide.md) 中提供了本组件的基本使用流程以及上述 .lib 库的制作流程，可以在使用之前进行参考
参考[Neclue STM32L496RG案例](../../../board/NUCLEO_STM32L496ZG/KEIL/tflitemicro_person_detection/TFlite_Micro_Demo移植参考指南（Keil版）.md)
## 3.组件使用案例
基于本组件我们以 STM32L496RG 为例设计了行人检测案例，具体使用流程可参考[Neclue STM32L496RG案例](../../../board/NUCLEO_STM32L496ZG/KEIL/tflitemicro_person_detection/TFlite_Micro_Demo移植参考指南（Keil版）.md)。
## 4. 附录：Tensorflow Lite Micro 性能优化情况