一、数据集简介
CIFAR-10数据集由10个类的60000个32x32彩色图像组成，每个类有6000个图像。有50000个训练图像和10000个测试图像。数据集分为五个训练批次和一个测试批次，每个批次有10000个图像。测试批次包含来自每个类别的恰好1000个随机选择的图像。训练批次以随机顺序包含剩余图像，但一些训练批次可能包含来自一个类别的图像比另一个更多。总体来说，五个训练集之和包含来自每个类的正好5000张图像。
二、环境设置
X-CUBE-AI是STM32Cube.AI生态系统的STM32Cube扩展包部分，能够自动转换预训练人工智能算法（包括神经网络和经典机器学习模型），并将生成的优化库集成到用用户项目中，以此来扩展STM32CubeMX功能。 [size=21.3333px]RT-Thread AI Toolkit，简称RT-AK （RT-Thread AI 套件）RT-AK 是 RT-Thread 团队为 RT-Thread 实时操作系统所开发的 AI 套件，能够一键将 AI 模型部署到 RT-Thread 项目中，让用户可以 在统一的 API 之上进行业务代码开发，又能在目标平台上获极致优化的性能，从而更简单方便地开发端侧 AI 应用程序。 [size=21.3333px]
[size=21.3333px]利用RT-AK工具，生成集成AI模型的项目工程。
#python aitools.py --project=D:\Project-master\stm32-cifar --model_name ./Models/cifar10.tflite --platform stm32 --ext_tools D:\Program Files (x86)\stm32ai-windows-7.3.0\windows --clear
具体转换信息如下：
model_name : cifar10
input : input_1 [3072 items, 3.00 KiB, ai_u8, scale=0.003921568859368563, zero_point=0, (32, 32, 3)]
inputs (total) : 3.00 KiB
output : nl_21_fmt [10 items, 12 B, ai_u8, scale=0.00390625, zero_point=0, (1, 1, 10)]
outputs (total) : 10 B
params # : 85,834 items (88.45 KiB)
weights (ro) : 90,568 B (88.45 KiB)
activations (rw) : 67,456 B (65.88 KiB)
ram (total) : 70,538 B (68.88 KiB) = 67,456 + 3,072 + 10
三、业务实现
业务层面，主要包括初始化、输入图像、模型运行、结果输出几个阶段。
具体业务代码如下：
rt_ai_buffer_t *work_buffer = rt_malloc(RT_AI_CIFAR10_WORK_BUFFER_BYTES+RT_AI_CIFAR10_IN_TOTAL_SIZE_BYTES+RT_AI_CIFAR10_OUT_TOTAL_SIZE_BYTES);
model = rt_ai_find(RT_AI_CIFAR10_MODEL_NAME);
if(model == RT_AI_NULL){
return -1;
}
result = rt_ai_init(model, work_buffer);
if(result != 0){
return -1;
}
rt_memcpy(model->input[0], input_data0, RT_AI_CIFAR10_IN_1_SIZE_BYTES);
result = rt_ai_run(model, ai_run_complete, &ai_run_complete_flag);
if(ai_run_complete_flag){
uint8_t *out = (uint8_t *)rt_ai_output(model, 0);
int max_index = 0;
for(int i = 1 ; i < 10 ; i++){
if(out[i] > out[max_index]){
max_index = i;
}
}
rt_kprintf("cifar10 prediction: %s\n", cifar10_label[max_index]);
}
rt_free(work_buffer);
四、运行测试
系统启动后，LED已经闪烁起来。 用来识别的图片如下： 识别结果如下：
五、视频
| 
楼主
标题置顶
标题高亮
