当前位置：首页 > article >正文

【STM32开发笔记】移植AI框架TensorFlow到STM32单片机【上篇】

article 2024/11/15 19:51:36

【STM32开发笔记】移植AI框架TensorFlow【上篇】

- 一、TFLM是什么？
- 二、TFLM开源项目
- - 2.1 下载TFLM源代码
  - 2.2 TFLM基准测试说明
  - 2.3 TFLM基准测试命令
- 三、TFLM初步体验
- - 3.1 PC上运行Keyword基准测试
  - 3.2 PC上运行Person detection基准测试
  - 3.3 No module named 'numpy'问题解决
- 四、TFLM源码浅析
- - 4.1 编译生成的.o文件
  - 4.2 基准测试的构建目标
  - 4.3 基准测试的构建规则
  - 4.4 TFLM库的构建规则
- 五、TFLM主体移植
- - 5.1 实现TFLM库的构建
  - 5.2 实现辅助函数microlite_test
  - 5.3 实现keyword基准测试的构建
  - 5.4 实现Person detection基准测试的构建
  - 5.5 实现基准测试依赖的功能——计时和日志
- 六、参考链接

本系列将介绍如何将TensorFlow Lite for Microcontrollers一直到STM32H7S78-DK上。由于整个过程较为繁琐，本系列将分为上下两篇进行介绍。本文为系列内容的上篇，主要分为TFLM是什么、TFLM初步体验、TFLM源码浅析、TFLM主体移植几个部分。其中，TFLM初步体验部分将会介绍如何在PC上运行TFLM基准测试，TFLM源码浅析部分主要介绍TFLM源码是如何进行构建的，TFLM主体移植主要介绍如何在基于CMake的STM32项目中构建TFLM库和基准测试。

一、TFLM是什么？

你或许都听说过TensorFlow——由谷歌开发并开源的一个机器学习库，它支持模型训练和模型推理。

今天介绍的TFLM，全称是TensorFlow Lite for Microcontrollers，翻译过来就是“针对微控制器的TensorFlow Lite”。那TensorFlow Lite又是什么呢？

TensorFlow Lite（通常简称TFLite）其实是TensorFlow团队为了将模型部署到移动设备而开发的一套解决方案，可以简单理解为TensorFlow的手机版。下面是TensorFlow官网上关于TFLite的一段介绍：

TensorFlow Lite 是一组工具，可帮助开发者在移动设备、嵌入式设备和 loT 设备上运行模型，以便实现设备端机器学习。

而我们今天要介绍的TensorFlow Lite for Microcontrollers（TFLM）则是 TensorFlow Lite的微控制器版本。这里是官网上的一段介绍：

TensorFlow Lite for Microcontrollers （以下简称TFLM）是 TensorFlow Lite 的一个实验性移植版本，它适用于微控制器和其他一些仅有数千字节内存的设备。它可以直接在“裸机”上运行，不需要操作系统支持、任何标准 C/C++ 库和动态内存分配。核心运行时(core runtime)在 Cortex M3 上运行时仅需 16KB，加上足以用来运行语音关键字检测模型的操作，也只需 22KB 的空间。

这三者一脉相承，都出自谷歌，区别是TensorFlow同时支持训练和推理，而后两者只支持推理。TFLite主要用于支持手机、平台等移动设备，TFLM则可以支持单片机。从发展历程上来说，后两者都可以说是TensorFlow项目的“支线项目”。或者说这三者是一个树形的发展过程，目前是三个并进发展的。

二、TFLM开源项目

TFLM代码仓链接：https://github.com/tensorflow/tflite-micro

2.1 下载TFLM源代码

下载TFLM需要使用如下git命令：

 git clone https://github.com/tensorflow/tflite-micro.git

TFLM顶层目录下的文件和目录，如下图所示：

2.2 TFLM基准测试说明

TFLM顶层目录有README.md文件，其Additional Documentation节列出来Benchmark说明，Benchmark（基准测试）用于衡量关键模型和工作负载的性能。

README.md前一半内容为：

完整内容参考： tflite-micro/tensorflow/lite/micro/benchmarks/README.md at main · tensorflow/tflite-micro (github.com)

2.3 TFLM基准测试命令

从README的”Run on x86”可以看到，在x86 PC上运行关键词基准测试的命令是：

make -f tensorflow/lite/micro/tools/make/Makefile run_keyword_benchmark

在x86 PC上运行人体检测基准测试的命令是：

make -f tensorflow/lite/micro/tools/make/Makefile run_person_detection_benchmark

以上两个命令都会调用make命令，并以tensorflow/lite/micro/tools/make/Makefile为构建规则，分别构建run_keyword_benchmark和run_person_detection_benchmark两个目标。

查阅tensorflow/lite/micro/tools/make/Makefile文件夹内容，可以看到：

这段代码中的 595行、601行、605行、612行、613行分别会下载一些文件，具体下载的是tflm依赖的库和测试数据集；

而执行上面两个make命令，实际上会依次执行如下步骤：

下载依赖库和数据集；
编译测试程序；
运行测试程序；

必须至少一遍make命令，才会下载测试数据集，才能进行后续的移植步骤。

三、TFLM初步体验

由于TFLM开源项目依赖部分三方软件代码没有直接放在TFLM源码仓中，需要运行一次基准测试才会下载下拉进行编译。因此，我们需要先在PC上体验一下TFLM基准测试。

PC上运行TFLM推荐使用Ubuntu系统，其他操作系统运行可能会有些问题。

3.1 PC上运行Keyword基准测试

PC Linux系统上，运行如下命令，可以执行Keyword基准测试：

make -f tensorflow/lite/micro/tools/make/Makefile run_keyword_benchmark

命令执行完毕，最后输出如下：

PC上运行10次耗时3毫秒。

3.2 PC上运行Person detection基准测试

make -f tensorflow/lite/micro/tools/make/Makefile run_person_detection_benchmark命令执行完毕，最后输出如下：

PC上运行10次，有人的耗时343毫秒，无人的耗时337毫秒。

3.3 No module named 'numpy’问题解决

make命令报错：

解决方法：

pip install numpy

四、TFLM源码浅析

开始移植TFLM之前，需要清楚TFLM整个源码项目是如何构建的（也就是构建规则）。

4.1 编译生成的.o文件

PC上运行完基准测试命令过程中，会执行源码编译命令。运行完成后，使用如下命令，可以找到所有.o文件：

find . -name '*.o'

部分输出如下图所示：

通过该命令的输出，我们可以知道刚刚的两个命令一共有多少源文件参与了编译。

4.2 基准测试的构建目标

要移植TFLM，仅仅知道有多少源文件参与编译还不够，我们需要知道具体的构建规则。本节将通过分析Makefile解读基准测试的具体构建目标（target）。

从前面的PC端运行Keyword基准测试的输出可以看到，可执行程序名称为keyword_benchmark，通过搜索源码，可以找到对应的Makefile构建规则代码为：

这里调用了Makefile的宏函数microlite_test，并传递了4个参数，分别为：

参数1：keyword_benchmark
参数2：$(KEYWORD_BENCHMARK_SRCS)
参数3：$(KEYWORD_BENCHMARK_HDRS)
参数4：$(KEYWORD_BENCHMARK_GENERATOR_INPUTS)

4.3 基准测试的构建规则

下面以keyword_benchmark为例分析具体构建规则。

宏函数microlite_test的具体定义为：

前面我们执行了如下命令：

make -f tensorflow/lite/micro/tools/make/Makefile run_keyword_benchmark

这个命令指定的目标名称为run_keyword_benchmark，对应到helper_function.inc文件中的84行，参数1为keyword_benchmark，下方规则的TEST_SCRIPT变量的值定义在tensorflow/lite/micro/tools/make/Makefile文件中为空白字符串，因此不起作用；

84行还可以看到run_keyword_benchmark目标依赖$(keyword_benchmark_BINARY)目标，回看到52行，可以知道：

$(keyword_benchmark_BINARY)目标表示可执行程序文件路径，：
$(keyword_benchmark_BINARY)目标依赖$(keyword_benchmark_LOCAL_OBJS)目标；
$(keyword_benchmark_BINARY)目标依赖$(MICROLITE_LIB_PATH)目标；

$(keyword_benchmark_BINARY)目标的构建规则为：

$$(CXX) $$(CXXFLAGS) $$(INCLUDES) \
 	-o $$(keyword_benchmark_BINARY) $$(keyword_benchmark_LOCAL_OBJS) \
 	$$(MICROLITE_LIB_PATH) $$(LDFLAGS) $$(MICROLITE_LIBS)

根据传参，可以知道，一些变量的值为：

keyword_benchmark_LOCAL_SRCS的初始值为： tensorflow/lite/micro/benchmarks/keyword_benchmark.cc
keyword_benchmark_LOCAL_HDRS的值为：tensorflow/lite/micro/benchmarks/micro_benchmark.h
得到GEN_RESULTS的命令为： python3 tensorflow/lite/micro/tools/generate_cc_arrays.py gen/linux_x86_64_default_gcc/genfiles tensorflow/lite/micro/models/keyword_scrambled.tflite，该命令会将模型文件转为.h和.cc文件，其中.h为声明，.cc为数据：
```
#include <cstdint>

constexpr unsigned int g_keyword_scrambled_model_data_size = 34576;
extern const unsigned char g_keyword_scrambled_model_data[];
```
命令的输出为：gen/linux_x86_64_default_gcc/genfiles/tensorflow/lite/micro/models/keyword_scrambled_model_data.cc。
keyword_benchmark_LOCAL_SRCS值会变为包含刚刚生成的模型keyword_scrambled_model_data.cc；
keyword_benchmark_LOCAL_OBJS的值是：先将keyword_benchmark_LOCAL_SRCS值中所有.cc替换为.o，再给每个值添加前缀gen/linux_x86_64_default_gccobj/core/；
MICROLITE_LIB_PATH的值为库文件libtensorflow-microlite.a的完整路径： gen/linux_x86_64_default_gcc/lib/libtensorflow-microlite.a

好了，到这里就可以看到$(keyword_benchmark_BINARY)目标构建规则下方命令的主要参数了：

-o选项为gen/linux_x86_64_default_gcc/bin/keyword_benchmark；
$(keyword_benchmark_LOCAL_OBJS)为所有目标文件（.o）列表；
$(MICROLITE_LIB_PATH)是链接的库文件（.a）路径；
$(LDFLAGS)是链接器命令行选项；
$(MICROLITE_LIBS)是额外库选项，实际为 -lm；

到这里，Keyword基准测试的构建规则以及分析清楚了。

4.4 TFLM库的构建规则

接下来，我们分析keyword链接的库文件libtensorflow-microlite.a（简称TFLM库）的链接规则。

该目标的定义为：

这里可以看到，该库是由以下目标文件列表归档（使用ar命令）而来：

$(MICROLITE_LIB_OBJS)
$(MICROLITE_KERNEL_OBJS)
$(MICROLITE_THIRD_PARTY_OBJS)
$(MICROLITE_THIRD_PARTY_KERNEL_OBJS)
$(MICROLITE_CUSTOM_OP_OBJS)

其中，前四个变量的值来自：

这里可以看到，前面的几个目标文件列表分别来自：

$(MICROLITE_LIB_OBJS)来自于$(MICROLITE_CC_SRCS)
$(MICROLITE_KERNEL_OBJS)来自于$(THIRD_PARTY_CC_SRCS)
$(MICROLITE_THIRD_PARTY_OBJS)来自于$(THIRD_PARTY_KERNEL_CC_SRCS)
$(MICROLITE_THIRD_PARTY_KERNEL_OBJS)来自于$(MICROLITE_CC_KERNEL_SRCS)
$(MICROLITE_CUSTOM_OP_OBJS)没有在Makefile中定义，默认为空，可以忽略（实际使用时，可以通过命令行参数指定）；

经过在Makefile中加入日志打印，发现上述几个xxx_SRCS变量的值为：

五、TFLM主体移植

从TFLM官方介绍文档、测试命令以及源码分析可以知道，在STM32H7S78-DK上移植TFLM可以分解为以下几个主要任务：

实现TFLM库的构建
实现CMake版的辅助函数microlite_test
实现keyword基准测试的构建
实现person detection基准测试（可选）的构建
实现基准测试依赖的功能——计时和日志

接下来分别介绍，如何完成上述任务。

5.1 实现TFLM库的构建

有了以上分析之后，我们就可以进行今天最重要的工作，将Makefile转换为CMake构建规则文件（CMakeLists.txt）。

这部分是整个移植过程中工作量和难度最大的部分，涉及到很多CMake的语法细节，这里不详细介绍。

实现TFLM库构建的CMake代码为：

TFLM-libtflite-micro

5.2 实现辅助函数microlite_test

TFLM源码中，构建基准测试使用了GNU Make的microlite_test宏函数，实现了代码的复用和逻辑精简。和GNU Make类似的，CMake也支持函数。本节我们实现GNU Make的microlite_test宏函数的CMake移植版。

CMake具体代码如下：

TFLM-microlite_test

这部分做了几个特殊处理：

目标类型从可执行程序修改为静态库，即生成文件类型由.elf文件改为.a文件；
使用宏将main函数重命名为${NAME}_main；

做出如上两处修改的原因是——由CubeMX生成的基础已经有main函数，并且可以生成elf文件。通过上述两个修改，我们可以将基准测试代码链接到CubeMX生成的代码中去，进而实现整个项目可以在STM32H7S78-DK上运行。

5.3 实现keyword基准测试的构建

有了CMake辅助函数microlite_test之后，实现keyword基准测试的构建就很简单了，直接看代码：

TFLM-keyword_benchmark

5.4 实现Person detection基准测试的构建

同样的，有了CMake辅助函数microlite_test之后，实现Person detection基准测试的构建也很简单，直接看代码：

TFLM-person_detection

5.5 实现基准测试依赖的功能——计时和日志

TFLM本身是一个边缘AI推理库，可以理解为一个举证向量计算库，纯CPU计算不依赖任何外设功能。但是，TFLM的基准测试则依赖计时和日志功能。在不同平台上，计时和日志功能的实现方式有所不同，对应的代码也不同（例如Linux、Windows、MacOS操作系统、STM32单片机、ESP32单片机上，实现计时和日志的代码是不是一样的）。

TFLM源码中，已经为移植进行了设计，其中两个文件名分别对应计时和日志：

debug_log.cc，用于实现计时功能，不同平台有不同版本；
micro_time.cc，用于实现计时功能，不同平台有不同版本；

默认的debug_log.cc实现为tensorflow/lite/micro/debug_log.cc，其主要代码内容为：

TFLM-debug_log_stderr

这里实现了——使用vfprintf向stderr输出。借助过往经验，我们知道CubeMX生成的项目稍加修改就能够支持printf，这种方式应该也可以支持。

因此，对于STM32单片机这部分可以不用修改！

默认的micro_time.cc实现为tensorflow/lite/micro/micro_time.cc，其主要代码内容为：

TFLM-micro_time_ctime

这个文件里面提供了两种实现，通过TF_LITE_USE_CTIME宏进行切换：

如果没定义TF_LITE_USE_CTIME宏，则为空实现，提供空壳函数，可以编译通过，无法正常计时；
如果定义了TF_LITE_USE_CTIME宏，则为基于C标准库clock()和CLOCKS_PER_SEC的计时；

对于STM32单片机，C标准库的clock()的计时不能直接使用。

因此，对于STM32单片机，需要单独实现一个micro_time.cc文件，具体代码为：

TFLM-micro_time_stm32_hal

到这里，TFLM移植的主体内容基本已经完成了，还有一些问题需要解决，我能将在下篇进行介绍，欢迎关注。

本篇内容到此为止，感谢阅读！

六、参考链接

TensorFlow Lite for Microcontrollers介绍： TensorFlow Lite for Microcontrollers (google.cn)
TensorFlow Lite for Microcontrollers入门：微控制器入门 | TensorFlow (google.cn)
tflite-micro 源码GitHub仓： https://github.com/tensorflow/tflite-micro
CMake最新文档： CMake Reference Documentation — CMake 3.30.3 Documentation

查看全文

http://www.kler.cn/a/317458.html