米尔电子
直播中

飞洋

6年用户 200经验值
擅长:处理器/DSP
私信 关注
[技术]

国产芯上运行TinyMaxi轻量级的神经网络推理库-米尔基于芯驰D9国产商显板

本帖最后由 blingbling111 于 2024-8-8 09:23 编辑

本篇测评由与非网的优秀测评者“短笛君”提供。
本文将介绍基于米尔电子MYD-YD9360商显板(米尔基于芯驰D9360国产开发板)的tinyMaxi轻量级的神经网络推理库方案测试。

算力测试
TinyMaix 是面向单片机的超轻量级的神经网络推理库,即 TinyML 推理库,可以让你在任意单片机上运行轻量级深度学习模型~ 开源地址:
https://github.com/sipeed/TinyMaix
引用: 搭建的环境为编译的Ubuntu18.04 已经预装好cmake make工具由于魔法网络原因,这里提前下载好tar包到宿主机上,然后传输到板卡中解压


  • 查看cmake版本

  1. cmake -version
2.png



  • 查看cmake版本

  1. make -version
3.png


确认文件路径,尽量不要拷贝到有权限的路径下
4.png



自带示例
5.png


文件结构


MNIST示例
MNIST是手写数字识别任务
cd到examples/mnist目录下 使用mkdir build && cd build 命令切换到build文件夹下
  1. cmake ..
  2. make./ mnist

cmake生成构建系统
6.png

使用make构建可执行文件然后运行
   7.png


可以看到输出信息
8.png

MNIST 示例默认未使用任何指令加速,运行了一张 28×28 的手写数字模拟图像,共消耗了 0.114 毫秒
9.png

MBNET示例
mbnet 是适用于移动设备的简单图像分类模型。

  • 切换到 /examples/mbnet 目录:

  • 修改 main.c 文件

  • 创建 build 文件夹并切换

  • 使用 cmake 命令生成构建系统

  • 使用 make 命令构建系统,生成可执行文件

  • 运行可执行文件,执行效果如下

10.png
11.png



  • MBNET 示例运行输入了一张 96×96×3 的 RGB 图像,输出 1000 分类,共消耗了 16.615 毫秒

运行cifar10 demo
12.png
13.png


更多回帖

发帖
×
20
完善资料,
赚取积分