【触觉智能Purple Pi开发板试用】移植ncnn神经网络推理框架

0x0 介绍Purple Pi和ncnn

IDO-SBC2D06主板，是基于SigmaStar SSD201 SoC（ARM CortexA7内核）兼容树莓派的开发板，主频高达1.2GHz，256KBL2-缓存，内置双MAC、一个PHY，支持双100M以太网接口等。内存管理支持DMA引擎。集成H.264/AVC和H.265/HEVC解码器，支持最大分辨率FHD（1920×1080）/60帧解码

https://github.com/Tencent/ncnn

NCNN作为业界首个为移动端优化的神经网络前向计算框架，在2017年首次开源，是腾讯优图实验室第一次对外公开深度学习的研究成果。目前多应用在图像方面，例如人像自动美颜，照片风格化，超分辨率，物体识别等等。NCNN计算框架，因其高性能、无第三方依赖、跨平台支持大部分常见CNN网络的特点，是许多开发者在移动端、嵌入式设备上部署深度学习算法的首选框架。

0x1 配置工具链

从github上直接clone sdk，其中包含工具链

git clone https://github.com/industio/PurPle-Pi-R1

需要先执行 install_toolchain.sh 脚本，否则会报错 cc 找不到

cd toolchain
sh install_toolchain.sh

0x2 交叉编译ncnn和跑分工具

从github上clone ncnn源码

git clone https://github.com/Tencent/ncnn

为purple pi工具链编写 purplepi.toolchain.cmake 放在 ncnn/toolchains 文件夹中

set(CMAKE_SYSTEM_NAME Linux)
set(CMAKE_SYSTEM_PROCESSOR arm)

if(DEFINED ENV{TOOLCHAIN_ROOT_PATH})
    file(TO_CMAKE_PATH $ENV{TOOLCHAIN_ROOT_PATH} TOOLCHAIN_ROOT_PATH)
else()
    message(FATAL_ERROR "TOOLCHAIN_ROOT_PATH env must be defined")
endif()

set(CMAKE_C_COMPILER "${TOOLCHAIN_ROOT_PATH}/bin/arm-linux-gnueabihf-gcc")
set(CMAKE_CXX_COMPILER "${TOOLCHAIN_ROOT_PATH}/bin/arm-linux-gnueabihf-g++")

set(CMAKE_FIND_ROOT_PATH "${TOOLCHAIN_ROOT_PATH}/arm-linux-gnueabihf")

set(CMAKE_FIND_ROOT_PATH_MODE_PROGRAM NEVER)
set(CMAKE_FIND_ROOT_PATH_MODE_LIBRARY ONLY)
set(CMAKE_FIND_ROOT_PATH_MODE_INCLUDE ONLY)

set(CMAKE_C_FLAGS "-march=armv7-a -mfloat-abi=hard -mfpu=neon")
set(CMAKE_CXX_FLAGS "-march=armv7-a -mfloat-abi=hard -mfpu=neon")

# cache flags
set(CMAKE_C_FLAGS "${CMAKE_C_FLAGS}" CACHE STRING "c flags")
set(CMAKE_CXX_FLAGS "${CMAKE_CXX_FLAGS}" CACHE STRING "c++ flags")

进行交叉编译，其中有编译选项

• -DNCNN_OPENMP=ON 开启多线程支持
• -DNCNN_SIMPLEOCV=ON 开启图像编解码支持
• -DNCNN_BUILD_EXAMPLES=ON 编译内置的示例

export TOOLCHAIN_ROOT_PATH=/home/nihui/osd/PurPle-Pi-R1/toolchain/gcc-arm-8.2-2018.08-x86_64-arm-linux-gnueabihf
mkdir build
cd build
cmake -DCMAKE_TOOLCHAIN_FILE=../toolchains/purplepi.toolchain.cmake -DCMAKE_BUILD_TYPE=release -DNCNN_OPENMP=ON -DNCNN_SIMPLEOCV=ON -DNCNN_BUILD_EXAMPLES=ON ..
make -j4

编译好后，会在 build/benchmark 中找到跑分工具 benchncnn

0x3 上板跑分

microusb线链接开发板和电脑，自动获得 ttyUSB0 设备，tio串口访问

tio /dev/ttyUSB0

修改 /etc/wpa_supplicant.conf 保存wifi ssid和密码，然后 wpa_supplicant -D nl80211 -i wlan0 -c /etc/wpa_supplicant.conf -B & 连接wifi

就能用 ssh 连上开发板了，不再需要用串口

由于这个开发板内存较小，不足以跑过大部分模型，因此修改 ncnn/benchmark/benchncnn.cpp 只留下这次评估的 FastestDet 模型

benchmark("FastestDet", ncnn::Mat(352, 352, 3), opt);

杀死两个吃cpu和内存的进程，释放更多资源

killall disp_init
killall app_music

将跑分工具benchncnn和模型配置 scp 上传到开发板

scp benchncnn root@192.168.31.188:/root/
scp ../../benchmark/FastestDet.param root@192.168.31.188:/root/

启动 benchncnn 会报错找不到 libgomp.so.1

# ./benchncnn
./benchncnn: error while loading shared libraries: libgomp.so.1: cannot open shared object file: No such file or directory

这时候，需要把工具链中 sysroot/lib/libgomp.so.1 也一起上传到开发板，这是openmp多线程运行时库

scp PurPle-Pi-R1/toolchain/gcc-arm-8.2-2018.08-x86_64-arm-linux-gnueabihf/arm-linux-gnueabihf/lib/libgomp.so.1 root@192.168.31.188:/root/

再次执行 benchncnn，可以看到 FastestDet 在2线程加速下，耗时约 192ms

# ./benchncnn 4 2 0 -1 0
loop_count = 4
num_threads = 2
powersave = 0
gpu_device = -1
cooling_down = 0
          FastestDet  min =  191.45  max =  193.48  avg =  192.35

0x4 开启bf16加速

这款开发板内存较小，同时内存性能也较弱，可以开启ncnn内置的bf16加速开关，进一步降低神经网络推理的内存占用，以及降低内存访存量

在 benchncnn.cpp 中添加这行代码

opt.use_bf16_storage = true;

在开启 bf16 后可以跑更多模型，同时 FastestDet 也比 fp32 模式下进一步加速到 149ms

# ./benchncnn 4 2 0 -1 0
loop_count = 4
num_threads = 2
powersave = 0
gpu_device = -1
cooling_down = 0
          squeezenet  min =  268.62  max =  275.13  avg =  270.30
           mobilenet  min =  444.71  max =  445.38  avg =  444.95
          shufflenet  min =  147.60  max =  148.06  avg =  147.81
          FastestDet  min =  149.48  max =  150.37  avg =  149.77

这个耗时数据在 ncnn 小板子榜单中，名次较后 :D
https://github.com/nihui/ncnn-small-board

tbd 下一篇文章将介绍 FastestDet 目标检测应用