本篇测评由优秀测评者“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
cmake -version
![](https://srcc.myir.cn/images/20240705/5836dd279b164b53d8fda940f23d78dc.png?v=539184)
-
查看cmake版本
make -version
确认文件路径,尽量不要拷贝到有权限的路径下
自带示例
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
cmake ..
make./ mnist
cmake生成构建系统
使用make构建可执行文件然后运行
可以看到输出信息
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
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
![](https://srcc.myir.cn/images/20240705/176d95fe5282109629d8fadea4e3df85.png?v=272686)
![](/i/l/?n=24&i=blog/1416273/202408/1416273-20240809180037213-1269178959.png)
![](/i/l/?n=24&i=blog/1416273/202408/1416273-20240809180042634-380631385.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
![](/i/l/?n=24&i=blog/1416273/202408/1416273-20240809180058181-1860174927.png)
![](/i/l/?n=24&i=blog/1416273/202408/1416273-20240809180102528-2136794260.png)
标签:cmake,示例,推理,make,YD9360,神经网络,build,商显板,MY From: https://www.cnblogs.com/cbd7788/p/18351237