设备 esp32_「ESP 教程」ESP32 如何运行 TensorFlow 模型

你的名字 2023-01-06 01:55 199阅读 0赞

![3f755d3660d1a6d97cbedeee9f86d478.png][]

人工智能之父，艾伦·图灵很早就曾预测“有一天，人们会带着电脑在公园散步，并告诉对方，今天早上我的计算机讲了个很有趣的事。”

人类一直试图让机器具有智能，也就是**人工智能（Artificial Intelligence）**。从上世纪 50 年代开始，人工智能相继进入了“推理期”和“知识期”，在这两个阶段，机器都是按照人类设定的规则和总结的知识运作，永远无法超越其创造者。**机器学习（Machine Learning）**方法应运而生，人工智能进入“机器学习时期”。机器学习的核心是“使用算法解析数据，从中学习，然后对世界上的某件事情做出决定或预测”。这意味着，与其显式地编写程序来执行某些任务，不如教计算机如何开发一个算法来完成任务。

随着机器学习领域不断的发展，在移动、嵌入式和 IoT 设备上部署/运行机器学习模型也成为了可能。这篇文章仅介绍**在 ESP32 上如何部署/运行 TensorFlow 模型**。在 create\_sine\_model.ipynb 文章中将介绍 “Hello World!” 正弦模型相关代码。

## **TensorFlow Lite** ##

TensorFlow 是一个端到端开源机器学习平台。它拥有一个包含各种工具、库和社区资源的全面灵活生态系统，可以让研究人员推动机器学习领域的先进技术的发展，并让开发者轻松地构建和部署由机器学习提供支持的应用。

TensorFlow Lite 是一组工具，可帮助开发人员在移动、嵌入式和 IoT 设备上部署/运行 TensorFlow 模型。 TensorFlow Lite 使设备上的机器学习推理具有低延迟的特性，并使可执行文件更小。

TensorFlow Lite 由两个主要组件组成：

*  TensorFlow Lite 解释器 可在许多不同的硬件类型（包括手机，嵌入式 Linux 设备和微控制器）上运行经过优化的模型。
 *  TensorFlow Lite 转换器 将 TensorFlow 模型转换为供解释器使用的有效形式，并且可以优化模型以改善可执行文件大小和性能。

接下来，将介绍如何将 TensorFlow Lite 运行在 ESP32 上，有两种方式：

1.  使用 ESP-IDF
2.  使用 PlatformIO 平台

## **使用 ESP-IDF** ##

### **1. 搭建 ESP-IDF 开发环境** ###

根据 ESP-IDF Programming Guide 安装 工具链 和 ESP-IDF

检查 ESP-IDF 环境是否已经正确安装：

*  检查 `IDF_PATH` 环境变量是否已经设置
 *  检查 `idf.py` 和 `xtensa-esp32-elf-*` 工具链是否在 PATH 环境变量中

### **2. 克隆 TensorFlow** ###

通过下面的命令，将 TensorFlow 克隆到本地：

git clone https://github.com/tensorflow/tensorflow.git

### **3. 生成 hello\_world 示例项目** ###

在 tensorflow 目录下通过下面的命令，可以生成 hello\_world 示例项目：

make -f tensorflow/lite/micro/tools/make/Makefile TARGET=esp generate_hello_world_esp_project

### **4. 部署到 ESP32** ###

在 hello\_world 项目目录下，编译、烧录可执行文件到 ESP32：

cd tensorflow/lite/micro/tools/make/gen/esp_xtensa-esp32/prj/hello_world/esp-idf
    idf.py --port /dev/ttyUSB0 flash monitor

运行结果：

![81df23289b2e89222f7ae3b04829bdcd.png][]

## **使用 PlatformIO 平台** ##

### **1. 安装 TensorFlow Lite 环境（PlatformIO）** ###

首先，需要安装 PlatformIO ，打开终端输入：

pip install -U platformio

### **2. 新建 PlatformIO 项目** ###

接下来可以开始搭建软件框架了，详细步骤：

1.  创建项目目录，包含 src，lib，include 文件夹
2.  新建 `platformio.ini` 文件，文件内容：\[env:esp32doit-devkit-v1\] platform = espressif32 board = esp32doit-devkit-v1 framework = arduino board\_build.partitions = custom.csv lib\_deps=tfmicro
3.  新建 `custom.csv` 文件，文件内容：*\# Name, Type, SubType, Offset, Size, Flags* nvs, data, nvs, 0x9000, 20K, otadata, data, ota, 0xe000, 8K, firm, app, ota\_0, , 3400K, eeprom, data, 0x99, , 4K, spiffs, data, spiffs, , 444K,

### **3. 生成 hello\_world 示例项目** ###

1.  在项目目录所在目录下，克隆 TensorFlow 仓库`git clone https://github.com/tensorflow/tensorflow.git`
2.  生成 ESP32 示例项目，获取生成的 tfmicro 库和示例模型，在 Tensorflow 目录下，运行：`make -f tensorflow/lite/micro/tools/make/Makefile TARGET=esp generate_hello_world_esp_project`  
    生成的示例项目位于：`tensorflow/tensorflow/lite/micro/tools/make/gen/esp_xtensa-esp32/prj/hello_world/`

### **4. 修改 PlatformIO 项目** ###

1.  在 hello\_world/esp-idf 目录中拷贝 tfmicro 文件夹到 项目目录下的 lib 文件夹
2.  在 main 目录中拷贝 http://sin\_model\_data.cc 到 项目目录下的 src 文件夹，拷贝 sine\_model\_data.h 到 项目目录下的 include 文件夹
3.  在 third\_party/flatbuffers/include 目录中拷贝 flatbuffers 目录到 tfmicro 文件夹.
4.  在 third\_party/gemmlowp 目录中拷贝 fixedpoint 和 internal 目录到 tfmicro 文件夹.
5.  在 third\_party 目录中拷贝 kissfft 目录到 tfmicro 文件夹.
6.  在 third\_party/flatbuffers/include 目录中拷贝 flatbuffers 到 tfmicro 文件夹
7.  在 lib/tfmicro/flatbuffers 目录下打开 base.h, 将以下代码段*\#if defined(ARDUINO) && !defined(ARDUINOSTL\_M\_H)* *\#include <utility.h>* *\#else* *\#include <utility>* *\#endif*  
    修改为:*\#include <utility>*
8.  接下来修改 “Hello World!” sin 模型来测试 TensorFlow Lite 是否正常工作，完整的源代码请在 GitHub 仓库中查看

代码仓库链接：ESP32-TensorFlow-Lite-Sample

代码结构：

![0d714a667187a7079d5eaa0d5915adf7.png][]

### **5. 部署到 ESP32** ###

在终端中输入以下命令将可执行文件烧录到 ESP32：

platformio run -t upload --upload-port /dev/ttyUSB0

在终端中输入以下命令将打开串口交互终端，输入一个浮点数，程序将给出 sin 模型预测的值：

screen /dev/ttyUSB0 115200

运行结果：

![4b21492c009b61600b67b7b1342eab31.gif][]

## **开发工作流程** ##

这是将 TensorFlow 模型部署到微控制器的过程：

1.  创建或获取 TensorFlow 模型  
    该模型必须非常小，以便在转换后适合您的目标设备。它只能使用支持的操作。如果要使用当前不被支持的操作，可以提供自己的实现。
2.  将模型转换为 TensorFlow Lite FlatBuffer  
    您将使用 TensorFlow Lite 转换器来将模型转换为标准 TensorFlow Lite 格式。您可能希望输出量化模型，因为它们的尺寸更小、执行效率更高。
3.  将 FlatBuffer 转换为 C byte 数组  
    模型保存在只读程序存储器中，并以简单的 C 文件的形式提供。标准工具可用于将 FlatBuffer 转换为 C 数组。
4.  集成 TensorFlow Lite for Microcontrollers 的 C++ 库  
    编写微控制器代码以使用 C++ 库执行推断。
5.  部署到您的设备  
    构建程序并将其部署到您的设备。

## **参考链接** ##

*  esp-idf
 *  Tensorflow
 *  create\_sine\_model.ipynb
 *  TensorFlow, Meet The ESP32

[3f755d3660d1a6d97cbedeee9f86d478.png]: /images/20221119/b79cccc5e3a94d0685745eab04621613.png
[81df23289b2e89222f7ae3b04829bdcd.png]: /images/20221119/7381b42aa32743c781954b99c586c1b0.png
[0d714a667187a7079d5eaa0d5915adf7.png]: /images/20221119/56eddd5643644477aa9ebc15daeb95d1.png
[4b21492c009b61600b67b7b1342eab31.gif]: https://img-blog.csdnimg.cn/img_convert/4b21492c009b61600b67b7b1342eab31.gif