一、例程体验
MAX78000FTHR性能非常强大，今天小结一下使用此板实现图片本地智能分析判断其相似度。虽然官方提供了参考的“cats-dogs”参考例程，但自动动手去完成DIY模型创建，过程还是比较繁琐，尤其是网络必须流畅，很多数据都必须通过联网拉取相关组件，其次电脑的配置也得符合一定的要求，否则项目很难开展。
先说说官方提供的“cats-dogs”例程，实现了通过按下SW1则采集图片，并于创建的模型进行对比分析，判断出图片的类别。使用VS Code导入工程示例，然后点击“小锤子”编译整个工程，在烧录、运行，打开串口调试工具，波特率设置115200，则Console对话框输出如下信息：
将“USE_SAMPLEDATA”宏定义，然后再次编译，即可使用用户自定义的采样图片模板，摄像头对准被测图片，按下SW1，则串口输出AI分析判断结果。串口输出log如下：
二、前期回顾
在实施搭建AI大模型之前，让我们再来巩固一下关于该板卡的一些硬件知识。板卡的硬件框图如下：
板上的引脚分布如下图所示：
开发者可借助该板卡集成的MAX78000 Arm® Cortex® M4F处理器快速实施超低功耗、人工智能(AI)方案，器件集成卷积神经网络加速器。评估板包括MAX20303 PMIC，用于电池和电源管理。评估板规格为0.9in x 2.6in、双排连接器，兼容Adafruit Feather Wing外设扩展板。评估板包括各种外设，例如CMOS VGA图像传感器、数字麦克风、低功耗立体声音频CODEC、1MB QSPI SRAM、micro SD存储卡连接器、RGB指示LED和按键。板卡正、背面布局：
要实现某方面图片的AI判断识别，因此需要我们去搜集一些同类别的图片，每种图片最好在40~50张，并将这些图片进行同一大小的裁剪、筛选。比方说如果要做一个高速路上的标志识别项目，可通过Chinese Traffic Sign Database获取想要的图片集，如果做动物识别，则搜集多种动物的图片。
三、预训练环境搭建
在github上，官方有提供一些指导性文档，MaximAI_Documentation有兴趣的坛友可移步浏览。笔者使用的是Ubuntu 16.04 LTS版本的环境，首先需要在bash终端中安装一些依赖库。
sudo apt-get install -y make build-essential libssl-dev zlib1g-dev \
libbz2-dev libreadline-dev libsqlite3-dev wget curl llvm \
libncurses5-dev libncursesw5-dev xz-utils tk-dev libffi-dev liblzma-dev \
libsndfile-dev portaudio19-dev接着需要安装pyenv，因为项目中用到Python，可通过以下方法安装。
curl -L https://github.com/pyenv/pyenv-installer/raw/master/bin/pyenv-installer | bash安装完以后默认目录是: ~/.pyenv，如果通过此方式获取失败，还可以通过git的方式，本人就是通过git工具克隆下来，然后拷贝到Ubuntu中的。
git clone git://github.com/yyuu/pyenv.git ~/.pyenv
pyenv-master.zip 然后文件挂载共享，通过“/mnt/hgfs/MAX78000/”路径拷贝，使用mkdir ~/.pyenv创建文件夹，并将zip文件通过unzip指令解压到该文件夹下，使用vim打开~/.bashrc文件，在文件末尾加入以下内容：
export PYENV_ROOT="$HOME/.pyenv"
export PATH="$PYENV_ROOT/bin:$PATH"
eval "$(pyenv init --path)"
eval "$(pyenv virtualenv-init -)"保存、退出文件编辑，使用pyenv -v可查看pyenv版本。接着使用指令pyenv install 3.8.11完成python 3.8.11的安装。
以上完成了Python环境的安装，然后需要拉取训练仓库源码。
git clone --recursive https://github.com/MaximIntegratedAI/ai8x-training.git
拉取量化仓库源码，这个过程比较久，而且需要保证网速稳定，否则需要多次尝试拉取。
git clone --recursive https://github.com/MaximIntegratedAI/ai8x-synthesis.git
这样在~目录下存有了“ai8x-training”与“ai8x-synthesis”两个文件夹，正如上面截图内容，依次运行以下指令，可完成虚拟训练环境与虚拟量化环境的创建。
进入到“ai8x-training”训练文件夹路径下，依次逐一执行以下指令：
#创建训练虚拟环境
python -m venv venv --prompt ai8x-training
# 激活训练虚拟环境
source venv/bin/activate
#安装依赖安装库
pip3 install -U pip wheel setuptools
#安装训练依赖库
pip3 install -r requirements-cu11.txt进入到“ai8x-synthesis”量化文件夹路径下，依次逐一执行以下指令：
#创建量化虚拟环境
python -m venv venv --prompt ai8x-synthesis
#激活量化虚拟环境
source venv/bin/activate
#安装依赖安装库
pip3 install -U pip wheel setuptools
#安装量化依赖库
pip3 install -r requirements.txt至此已完成了训练与量化环境的搭建，接下来可以进行示例程序的训练与量化。
四、后期实现步骤
预训练参考官方提供的“cats-dogs”例程搭建训练模型，以下步骤简略如下：
①、素材准备（拷贝搜罗到的图片样本）
②、训练（通过shell脚本）
③、量化（通过shell脚本）
④、评估（通过shell脚本）
⑤、生成代码（评估脚本生成的样本文件来生成代码）
五、后记
根据官方提供的“cats-dogs_demo”工程示例来新建一个工程，也可以直接拷贝“cats-dogs_demo”工程。将上述生成的文件直接替换“cats-dogs_demo”工程里的相应文件，即可执行基本测试代码。按下sw1按钮，启动板上的摄像头图片采集，经过模型数据对比，最终通过显示屏或串口输出对比分析结果。此次分享到此结束，感谢电源网提供的此次机会，同时也感谢得捷电子对活动的大力支持。对于AI产品模型设计，后续还得继续探索研究，理解每层模型参数的意义，以上的操作都是基于官方提供的网页文档来实现，有些细节尚未明白，可能是基于Python语言开发的吧。嘻嘻，时间不早了，晚安！
