1 TensorFlow Lite 是 TensorFlow 移动和嵌入式设备轻量级解决方案。它使设备机器学习具有低延迟和更小的二进制体积。TensorFlow Lite 同时支持 Android 神经网络 API 的硬件加速。
TensorFlow Lite 使用多项技术降低延迟，例如移动 app 内核优化、pre-fused 激活、允许更快更小（定点）模型的量化内核。
2 现在选择 tflite 作为我们的人工智能框架。输入以下命令：
cd examples/tflite
3 MobileNet 是基于深度级可分离卷积构建的网络，其实这种结构最早是出现在 GoogleNet v3的 inception 中，它是将标准卷积拆分为了两个操作：深度卷积(depthwise convolution) 和逐点卷积(pointwise convolution)，Depthwise convolution 和标准卷积不同，对于标准卷积其卷积核是用在所有的输入通道上（服务器托管网input channels），而 depthwise convolution 针对每个输入通道采用不同的卷积核，就是说一个卷积核对应一个输入通道，所以说 depthwise convolution 是 depth级别的操作。我们选择 mobilenet_v1 做进一步的测试，输入以下命令：
cd mobilenet_v1
4 打开 test.py,确认使用板载 npu 推理识别图片
vi test.py
修改 test.py 文件，我们修改对应的平台为 rk3588，修改如下所示，“-”代表需要删除的内容，“+” 代表需要新增的内容。
if __name__ == ‘__main__’:
# Create RKNN object – rknn = RKNN(verbose=True)
+ rknn = RKNN()
# Pre-process config
print(‘–> Config model’)
– rknn.config(mean_values=[128, 128, 128], std_values=[128, 128, 128])
+ rknn.config(mean_values=[128, 128, 128], std_values=[128, 128, 128], target_platform=’rk3588′)
print(‘done’)
# Load model
@@ -62,7 +62,7 @@ if __name__ == ‘__main__’:
# Init runtime environment
print(‘–> Init runtime environment’)
– ret = rknn.init_runtime()
+ ret = rknn.init_runtime(target=’rk3588′)
if ret != 0:
print(‘Init runtime environment failed!’)
exit(ret)
修改完，保存文件并退出。
5 进入到 examples/tflite/mobilenet_v1 文件夹，输入以下命令，执行模型转换和推理模型的test.py 脚本。
python3 test.py
6 运行结果如下图所示。TOP5 记录了推理结果，其中概率最高也就是 0.935，对应第 156 个标签的物体
更多文档可以查看
B站搜索-北京迅为RK3588开发板，
公众Hao关注：北京迅为，
服务器托管，北京服务器托管，服务器租用 http://www.fwqtg.net
机房租用，北京机房租用，IDC机房托管， http://www.fwqtg.net
相关推荐: 《玩转鲲鹏DevKit系列》第四期：如何基于鲲鹏平台高效开发？
本文分享自华为云社区《《玩转鲲鹏DevKit系列》第四期：如何基于鲲鹏平台高效开发？》，作者：华为云社区精选 。 在鲲鹏软件新版本迭代或新功能开发过程中，使用鲲鹏DevKit 获得了软件开发效率提升、或者应用性能提升，即为鲲鹏原生开发。 号外！ 华为将于202…
