如何在STM32上运行AI应用-基于米尔SMT32MP257开发板

[导读]X-LINUX-AI 是 STM32 MPU OpenSTLinux 扩展包，面向 STM32MP1 和 STM32MP2 系列微处理器的人工智能。它包含 Linux® AI 框架，以及用于开始一些基本使用案例的应用程序示例。

1. X-Linux-AI概述

X-LINUX-AI 是 STM32 MPU OpenSTLinux 扩展包，面向 STM32MP1 和 STM32MP2 系列微处理器的人工智能。它包含 Linux® AI 框架，以及用于开始一些基本使用案例的应用程序示例。

X-LINUX-AI 中提供的示例包括一系列用于图像分类、对象检测、语义分割和人体姿势估计的优化模型。X-LINUX-AI 中作为预构建二进制文件提供的人脸识别应用程序基于 STMicroelectronics 重新训练的模型。

这些示例依赖于基于 TensorFlow™ Lite 推理引擎、ONNX 运行时、OpenVX™ 或 Google Edge TPU™ 加速器的 STAI_MPU API。它们都支持 Python™ 脚本和 C/C++ 应用程序。本文内容将通过MYD-LD25X来演示这些示例demo。

1.1. 硬件资源

Ø 带有烧录好MYiR发布镜像的MYD-LD25X开发板(基于SMT32MP257处理器)

图：MYD-LD25X开发板(基于SMT32MP257处理器)

Ø MY-LVDS070C屏幕或者任意HDMI接口显示器

Ø MY-CAM003M米尔MIPI-CSI摄像头模块

1.2. 软件资源

本文内容操作均在MYD-LD25X开发板的调试串口执行，请确保先完成了MYD-LD25X快速使用指南(也就是开发板附带的小册子)上的基本内容，并且需要确保开发板能够联通互联网，提供网络的方式有多种，可以是能够连接互联网的路由器，也可以是Wifi，Wifi具体的连接方式可以查阅发布资料中《MYD-LD25X Linux 软件评估指南》Wifi的STA连接章节。

2. 开发板安装X-Linux-AI

本章主要介绍如何在MYD-LD25X开发板上安装X-Linux-AI以及相关demo组件等。

2.1. 配置准备环境

1) 获取校准参数

如果在MYD-LD25X使用LVDS屏幕，初次使用进入weston需要校准屏幕，校准的自动化脚本操作默认添加在autorun脚本中，如果已经执行过校准操作或者使用HDMI屏幕，则可以跳过该小节内容。

运行autorun.sh脚本执行校准操作：

# autorun.sh

执行后lvds屏幕会出现触摸点位，以此点击后完成校准，之后使用屏幕无需再次校准。

2) 关闭HMI

避免出现显示冲突，在MYD-LD25X登录后，执行以下操作关闭mxapp2程序也就是MYiR的HMI界面：

# killall mxapp2

并且将autorun脚本中启动mxapp2的行注释掉，下次启动后就不会自动运行了：

# vi /usr/bin/autorun.sh

#!/bin/sh

...省略

sync

#/usr/sbin/mxapp2 &

3) 更新软件源

执行以下命令更新软件源：

# apt update

The software package is provided AS IS, and by downloading it, you agree to be bound to the terms of the software license agreement (SLA).

The detailed content licenses can be found at https://wiki.st.com/stm32mpu/wiki/OpenSTLinux_licenses.

Get:1 http://packages.openstlinux.st.com/5.1 mickledore InRelease [5,723 B]

Get:2 http://packages.openstlinux.st.com/5.1 mickledore/main arm64 Packages [725 kB]

Get:3 http://packages.openstlinux.st.com/5.1 mickledore/updates arm64 Packages [38.2 kB]

Get:4 http://packages.openstlinux.st.com/5.1 mickledore/untested arm64 Packages [1,338 kB]

Fetched 2,107 kB in 3s (690 kB/s)

Reading package lists... Done

Building dependency tree... Done

1 package can be upgraded. Run 'apt list --upgradable' to see it.

更新源需要MYD-LD25X连接互联网，请确保网络通畅。执行上述命令时，可能会出现以下问题导致更新错误：

• 同步时间问题

E: Release file for http://packages.openstlinux.st.com/5.1/dists/mickledore/InRelease is not valid yet (invalid for another 1383d 8h 14min 14s). Updates for this repository will not be applied.

E: Release file for http://extra.packages.openstlinux.st.com/AI/5.1/dists/mickledore/InRelease is not valid yet (invalid for another 1381d 8h 10min 47s). Updates for this repository will not be applied.

出现上述问题的原因是当前开发板时间没有和网络时间成功同步，执行以下操作同步网络时间，首先修改timesyncd.conf配置文件，新增FallbackNTP授时中心网站，按如下所示修改：

# vi /etc/systemd/timesyncd.conf

...

[Time]

#NTP=

FallbackNTP=ntp.ntsc.ac.cn cn.ntp.org.cn

...

然后输入如下命令重启同步时间服务：

# systemctl restart systemd-timesyncd

再次输入date查看时间是否成功更新，根据网络情况不同部分情况可能需要一定时间同步：

# date

2023年 03月 03日星期五 17:50:37 CST

# date

2024年 09月 20日星期五 15:45:15 CST

• DNS问题

运行apt update后可能会出现以下问题：

# apt update

...

Err:1 http://packages.openstlinux.st.com/5.1 mickledore InRelease

Temporary failure resolving 'packages.openstlinux.st.com'

Reading package lists... Done

Building dependency tree... Done

All packages are up to date.

W: Failed to fetch http://packages.openstlinux.st.com/5.1/dists/mickledore/InRelease Temporary failure resolving 'packages.openstlinux.st.com'

W: Some index files failed to download. They have been ignored, or old ones used instead.

该问题需要修改/etc/resolve.conf，在文件中添加如下内容：

# vi /etc/resolv.conf

...

nameserver 8.8.8.8

nameserver 8.8.4.4

2.2. 安装x-linux-ai-tool

当完成环境配置后，输入以下命令安装x-linux-ai-tool：

# apt-get install -y x-linux-ai-tool

安装完成后，输入以下命令确认是否安装完成：

# x-linux-ai -v

X-LINUX-AI version: v5.1.0

关于x-linux-ai工具的使用，可以通过x-linux-ai -h查看或者浏览官方wiki：

X-LINUX-AI Tool - stm32mpu

2.3. 安装 X-LINUX-AI 演示包

要开始使用 X-linux-ai，需要安装 X-linux-ai 演示包，该包提供了针对所用特定目标优化的所有 Ai 框架、应用程序示例、工具和实用程序：

# x-linux-ai -i packagegroup-x-linux-ai-demo

2.4. 运行demo启动器

ST的官方demo启动器在MYD-LD25X默认已经移除，为了方便使用X-linu-ai的demo应用，需要重新添加随weston自启动的官方demo展示程序。

进入/usr/local/weston-start-at-startup目录，并新建start_up_demo_launcher.sh脚本，按照如下操作添加对应内容到脚本中：

# cd /usr/local/weston-start-at-startup

# vi start_up_demo_launcher.sh

#!/bin/sh

DEFAULT_DEMO_APPLICATION_GTK=/usr/local/demo/launch-demo-gtk.sh

if [ -e /etc/default/demo-launcher ]; then

source /etc/default/demo-launcher

if [ ! -z "$DEFAULT_DEMO_APPLICATION" ]; then

$DEFAULT_DEMO_APPLICATION

else

$DEFAULT_DEMO_APPLICATION_GTK

else

$DEFAULT_DEMO_APPLICATION_GTK

然后添加运行权限给脚本：

# chmod a+x start_up_demo_launcher.sh

最后重启weston服务后，可以看到启动器成功运行：

# systemctl restart weston-graphical-session.service

图2-1. demo启动器-1

图2-2. demo启动器-2

3. 运行AI 应用实例

本章节将简单展示上文安装后的几个Demo具体情况，在执行Demo前，需要准备好1.1小节的硬件资源。

以下demo运行都需要使用到MIPI-CSI摄像头，适用于MYD-LD25X开发板的摄像头型号为米尔的MY-CAM003M，在使用该摄像头前需要按照以下命令来初始化配置并事先预览确保摄像头能够正常工作。

进入/etc/myir_test目录，运行myir_camera_play脚本：

# cd /etc/myir_test

# ./myir_camera_play

执行后，屏幕上会出现摄像头预览画面，请确保画面显示正常，如果存在问题，请查阅《MYD-LD25X Linux 软件评估指南》中关于MIPI-CSI摄像头的部分检查摄像头连接情况等来排查问题，如有需要请咨询米尔技术支持。

3.1. 图像分类

图像分类神经网络模型可以识别图像所代表的对象。它将图像分类为不同的类别。该应用展示了一个计算机视觉的图像分类用例，从相机输入(/dev/videox)捕获帧，并通过OpenVX、TFLite或ONNX框架解析的神经网络模型进行分析。

3.1.1. 通过demo启动器运行

可以通过点击demo启动器中的Image Classifiction样例图标来运行该demo，默认情况下，通过2.3小节安装的是OpenVX的应用程序，并且由C/C++和Python两种。

图3-1. 图像分类

3.1.2. 通过命令运行

图像分类的C/C++和Python应用程序位于/usr/local/x-linux-ai/image-classification/目录中，可以通过运行程序加-h参数来获取更多帮助信息：

# cd /usr/local/x-linux-ai/image-classification/

# ls -la

stai_mpu_image_classification #C++运行程序

stai_mpu_image_classification.py #Python运行程序

为了简化demo的启动，在应用程序目录下有配置好的启动脚本：

Ø 使用相机输入启动图像分类demo

launch_bin_image_classification.sh #C++运行程序

launch_python_image_classification.sh #Python运行程序

Ø 使用图片输入启动图像分类demo

launch_bin_image_classification_testdata.sh #C++运行程序

launch_python_image_classification_testdata.sh #Python运行程序

3.1.3. demo展示

通过demo启动器启动默认为使用相机输入，和命令启动中使用相机输入的脚本运行结果一致，这里以C/C++程序为例，具体测试情况如下：

# cd /usr/local/x-linux-ai/image-classification

# ./launch_bin_image_classification.sh #或者点击demo启动器图标

图3-2. 摄像机输入

运行图片输入的程序脚本前，需要准备识别的图片，这里以一张泰迪熊的图片为例，图片放置目录为/usr/local/x-linux-ai/image-classification/models/mobilenet/testdata，然后运行脚本，这里以C/C++应用程序为例。

# cd /usr/local/x-linux-ai/image-classification/models/mobilenet/testdata

# ls -la

-rwxr--r-- 1 root root 102821 9 20 23:14 teddy.jpg

# cd /usr/local/x-linux-ai/image-classification

# ./launch_bin_image_classification_testdata.sh

运行结果如下：

图3-3. 图片输入

3.2. 对象检测

该应用展示了一个计算机视觉的对象检测用例，从相机输入(/dev/videox)捕获帧，并通过OpenVX、TFLite或ONNX框架解析的神经网络模型进行分析。使用Gstreamer管道来流式传输相机帧(使用v4l2src)，显示预览(使用gtkwaylandsink)，并执行神经网络推理(使用appsink)。

3.2.1. 通过demo启动器运行

可以通过点击demo启动器中的Object Detection样例图标来运行该demo，默认情况下，通过2.3小节安装的是OpenVX的应用程序，并且由C/C++和Python两种。

图3-4. 对象检测

3.2.2. 通过命令运行

对象检测的C/C++和Python应用程序位于/usr/local/x-linux-ai/object-detection/目录中，可以通过运行程序加-h参数来获取更多帮助信息：

# cd /usr/local/x-linux-ai/object-detection/

# ls -la

stai_mpu_object_detection #C++运行程序

stai_mpu_object_detection.py #Python运行程序

为了简化demo的启动，在应用程序目录下有配置好的启动脚本：

Ø 使用相机输入启动对象检测demo

launch_bin_object_detection.sh #C++运行程序

launch_python_object_detection.sh #Python运行程序

Ø 使用图片输入启动对象检测demo

launch_bin_object_detection_testdata.sh #C++运行程序

launch_python_object_detection_testdata.sh #Python运行程序

3.2.3. demo展示

通过demo启动器启动默认为使用相机输入，和命令启动中使用相机输入的脚本运行结果一致，这里以C/C++程序为例，具体测试情况如下：

# cd /usr/local/x-linux-ai/object-detection

# ./launch_bin_object_detection.sh #或者点击demo启动器图标

图3-5. 摄像机输入

运行图片输入的程序脚本前，需要准备识别的图片，这里以一张泰迪熊和小猫的图片为例，图片放置目录为：

/usr/local/x-linux-ai/object-detection/models/coco_ssd_mobilenet/testdata

然后运行脚本，这里以C/C++应用程序为例。

# cd /usr/local/x-linux-ai/object-detection/models/coco_ssd_mobilenet/testdata

# ls -la

-rwxr--r-- 1 root root 102821 9 20 23:14 teddy-and-cat.jpg

# cd /usr/local/x-linux-ai/object-detection

# ./launch_bin_object_detection_testdata.sh

运行结果如下：

图3-6. 图片输入

3.3. 姿势估计

该应用展示了一个计算机视觉的人体姿态估计用例，从相机输入(/dev/videox)捕获帧，并通过OpenVX框架解析的神经网络模型进行分析。该应用使用的模型是从stm32-hotspot ultralytics的GitHub分支下载的ST YoloV8n-pose。

3.3.1. 通过demo启动器运行

可以通过点击demo启动器中的Pose Estimation样例图标来运行该demo，默认情况下，通过2.3小节安装的是OpenVX的应用程序，默认为Python应用程序。

图3-7. 姿势估计

3.3.2. 通过命令运行

姿势估计的C/C++和Python应用程序位于/usr/local/x-linux-ai/object-detection/目录中，可以通过运行程序加-h参数来获取更多帮助信息：

# cd /usr/local/x-linux-ai/pose-estimation/

# ls -la

stai_mpu_pose_estimation.py

为了简化demo的启动，在应用程序目录下有配置好的启动脚本：

Ø 使用相机输入启动姿势估计demo

launch_python_pose_estimation.sh

Ø 使用图片输入启动姿势估计demo

launch_python_pose_estimation_testdata.sh

3.3.3. demo展示

通过demo启动器启动默认为使用相机输入，和命令启动中使用相机输入的脚本运行结果一致，这里以C/C++程序为例，具体测试情况如下：

# cd /usr/local/x-linux-ai/pose-estimation/

# ./launch_python_pose_estimation.sh #或者点击demo启动器图标

图3-8. 摄像机输入

运行图片输入的程序脚本前，需要准备识别的图片，这里以一张人跑步的图片为例，图片放置目录为：/usr/local/x-linux-ai/pose-estimation/models/yolov8n_pose/testdata，然后运行脚本，这里以C/C++应用程序为例。

# cd /usr/local/x-linux-ai/pose-estimation/models/yolov8n_pose/testdata

# ls -la

-rwxr--r-- 1 root root 102821 9 20 23:14 person-run.jpg

# cd /usr/local/x-linux-ai/pose-estimation

# ./launch_python_pose_estimation_testdata.sh

运行结果如下：

图3-9. 图片输入

3.4. 语义分割

该应用展示了一个计算机视觉的语义分割用例，从相机输入(/dev/videox)捕获帧，并通过OpenVX框架解析的神经网络模型进行分析。使用Gstreamer管道来流式传输相机帧(使用v4l2src)，显示预览(使用gtkwaylandsink)，并执行神经网络推理(使用appsink)。推理结果显示在预览中，叠加是使用GtkWidget和cairo实现的。该应用使用的模型是从TensorFlow™ Lite Hub下载的DeepLabV3。

3.4.1. 通过demo启动器运行

可以通过点击demo启动器中的Semantic Segmentation样例图标来运行该demo，默认情况下，通过2.3小节安装的是OpenVX的应用程序，默认为Python应用程序。