【得捷之选】轻量级AI开发板测评

电源网发布了新一轮的测评活动，笔者有幸参与其中，不仅进行发帖记录，也录制了一些视频进行分享。

板卡介绍

MAX78000FTHR是一款由Maxim Integrated推出的开发板，它搭载了MAX78000芯片，这是一款集成了人工智能加速器的超低功耗微控制器。MAX78000FTHR开发板具有丰富的外设和接口，适用于物联网、边缘计算和嵌入式人工智能应用的开发和原型设计。该开发板还支持Arduino兼容性，使得开发者可以轻松地使用Arduino IDE进行开发。

主控介绍

人工智能(AI)需要超强的计算能力，而Maxim则大大降低了AI计算所需的功耗。MAX78000是一款新型的AI微控制器，使神经网络能够在互联网边缘端以超低功耗运行，将高能效的AI处理与经过验证的Maxim超低功耗微控制器相结合。通过这款基于硬件的卷积神经网络(CNN)加速器，即使是电池供电的应用也可执行AI推理，同时功耗仅为微焦耳级。

MAX78000是一款先进的片上系统，集成带FPU CPU的Arm® Cortex®-M4内核，通过超低功耗深度神经网络加速器实现高效的系统控制。CNN引擎具有442KB的权重存储器，可支持1、2、4和8位权重（支持高达350万权重的网络）。该CNN权重存储器基于SRAM，因此可进行AI网络的即时更新。同时，CNN引擎还集成了512KB的数据存储器。高度灵活的CNN架构允许用户通过PyTorch®和TensorFlow®等传统工具集训练网络，然后经Maxim提供的工具转换后在MAX78000上运行。

除CNN引擎的存储器之外，MAX78000还具备适配微控制器内核的大型片内系统存储器，具有512KB的闪存和高达128KB的SRAM，支持多个高速和低功耗的通信接口，包括I2S和并行摄像头接口(PCIF)。

该器件采用81引脚的CTBGA（8mm x 8mm、0.8mm间距）封装。

应用

音频处理：多关键字识别、声音分类、降噪面部识别目标检测和分类时间序列数据处理：心率/生命体征信号分析、多传感器分析、预测性维护

外设介绍

双核:Arm Cortex-M4处理器与FPU，

100MHz, RISC-V协处理器，

60MHz•512KB Flash Memory

•128kb sram

•16KB缓存

•卷积神经网络加速器

•12位并行摄像头接口

•MAX20303可穿戴PMIC与燃油计

•USB充电

•板载DAPLink调试和编程带有FPU的Arm Cortex-M4处理器接口

•面包板兼容头

•微型USB接口

•微型SD卡连接器

●集成外设

•RGB指示灯LED

•用户按键

•CMOS VGA图像传感器

•低功耗立体声音频编解码器

•数字麦克风

•SWD调试器

•虚拟UART控制台

•RISC-V的10针皮质调试头协处理器

简单例程测试

通用场景术语库使用USB为MAX78000FTHR供电电缆。预先编程的“音频关键词识别”Demo将开始执行。RGB LED (D2)亮绿色，表示演示正在运行。车载麦克风启动监听关键字GO。当关键字GO是检测到，RGB LED (D2)亮黄。在这种模式下，当检测到9个关键字中的一个时，RGB LED(D1)开始蓝色闪烁1 ~ 9次由卷积神经网络检测的数字。STOP命令退出号码关键字检测。RGB LED (D2)再次亮绿色，RGBLED (D1)灭。

测试系统工作状态

如视频所示

准备工作

环境搭建

首先，我们进行开发软件的获取

点击该网址，就来到了主页

主页的最下方是关于开发软件的下载，这里我们下载win版本

点击进去，进行下载即可

接下来要进行该软件的安装与配置

点击下载的exe文件，就可以进行安装

整个安装过程不在进行赘述，无非是确定一些安装路径和我什么都同意

这里今天我又进行一次安装，原因是架了一个梯子，不加的话会安装失败

可以看到，即使这样，也需要一个比较久的时间，之间我这里显示要下载11天，这也算是一个开发障碍吧。希望官方能做一个离线包在国内。

同时呢，笔者也在网上找了安装的教程，链接贴在这里，殊途同归

【window下配置Maxim SDK环境】_warn : prefer gdb command "target extended-remote -CSDN博客

安装好，这下我们就可以打开软件干活啦

新建工程编译及烧录

在这里新建文件夹，随后就可以编写代码

这里简单来一个helloworld试试水，其实都不用自己编写代码，直接给了一个例程，就当提前体验一下编译好了

编译完成下载即可

项目开发

录制音频数据

参照MAX78000官方文档中提供的资料，使用采集到的数据进行训练获得kwsv3的模型，然后对其进行量化，生成单片机上使用的模型文件。实现对于关键字：GO、STOP、ON、OFF进行识别，将结果通过串口3发送出去。

UART3发送代码如下所示：

放入训练目录

关键字识别代码逻辑，通过板载MIC采集声音信号，当声音强度大于阈值，则采集数据传入到深度学习加速器进行模型推理，返回推理结果，主要流程代码如下所示：

实现项目效果

在实际的测试过程中，发现ON、OFF的关键字容易被触发导致ESP8266会频繁控制小灯做出状态切换，不利于实际使用。

解决方案：

添加唤醒词GO，当检测到GO时，进入唤醒状态，此时下一个关键字是ON/OFF的时候才会发出LED控制指令，否则不发送控制指令。

并且为了方便测试退出唤醒状态，还添加关键字STOP，当检测到关键字STOP时，此时如果处于唤醒状态，则自动退出唤醒状态，此时，控制指令ON/OFF将无效化。

67363584 Word starts from index: 67359616, avg:361 > 350 67369088: Word ends, Appends 7040 zeros 67369088: Starts CNN: 389 67369088: Completes CNN: 389 CNN Time: 1849 us Min: -65, Max: 76 ----------------------------------------- Detected word: GO (100.0%) ----------------------------------------- 67380608 Word starts from index: 67376640, avg:466 > 350 67386496: Word ends, Appends 6656 zeros 67386496: Starts CNN: 390 67386496: Completes CNN: 390 CNN Time: 1849 us Min: -47, Max: 46 ----------------------------------------- Detected word: ON (96.6%) -----------------------------------------