礼让动物采摘水果——最近， 智能车大赛AI视觉组 的题目已经发布，我们先为大家探探路。
前一期，逐飞科技给大家带来了一篇开幕大作：智能车竞赛，AI视觉组赛题浅析 ，对该组别的核心赛题任务进行了拆解详述。其中一个重中之重，想必也是大家最为关心的一个赛题，图案识别，可以说这也是这个组别中最有AI味道的部分。
那么这次，小编就为大家带来如何制备数据集并将其部署在i.MX RT上。
首先，请大家允许小编简要的“吐槽“下这个简单而又复杂的任务，任务本体是对动物和水果进行分类，其中动物类包括：狗、猫、马、猪、牛五类，水果类包括：苹果、橘子、葡萄、香蕉、榴莲五类。
大家可能也注意到了，小编使用了一对完全对立的词汇形容这次任务。简单vs复杂，还请听小编徐徐道来。
说任务简单，首先从所要识别的图像本身来说，比赛所用到的图像均为全身或是整体图片，我们可以窥探出两点小秘密：
其一，待检测图片内部只包含其中一种物体，也就是说不会涉及到多物体检测，不用采用OD类模型（OD是object detection的简称，一般模型体量会比较大，执行耗时比可比图像分类多几十倍，但好处在于可以一次性检出画面上所有的待检物体，并且提供位置信息）来做。
其二，待检测图片背景不复杂，通俗点讲，全图只有待检物体本身，大大降低背景噪声的引入对分类模型的影响。
现在再来说说为什么任务复杂。任务本身是一个典型的十分类问题。CNN领域有一些经典的十分类问题，拿最耳熟能详的例子，cifar10和LeNet-5为例，数据集本身的体量很大，每一子类都有1w的可用数据，而本次比赛，我们能够提供的预制数据集数量不会很大，每一类仅有400+。
同时，尽管i.MX RT目前被称作地表最强MCU，但毕竟是MCU。对于一些体量比较大的模型，还是会有点捉襟见肘，颇有一种心有余而力不足的挫败感，这里，小编也要强调一下，这种挫败感的根源，不是来自于对大模型的不支持，而是说，处理的速度会比较慢，会耗费大量的时间来进行目标的识别。
当然了，算力和模型精度是一对欢喜冤家，往往好的模型，体量都不会太小，这也就使得，同学们在设计模型的时候，要通盘考虑，如何设计出一款小而精的模型，脱颖而出。
赛题分析至此，干货开始，以下所提到的代码或是数据集，都可以在github上找到，链接：https://github.com/CristXu/smartcar.git。同时，所涉及到的一些专业知识，小编只会简单描述，感兴趣的亲们，可以自行查阅理解，或是私信小编。
首先，我们要找“粮食”——数据集，这是深度学习赖以生存的基础，好的数据集往往能够达到事半功倍的效果。比较通用的一个查找数据集的方法，是利用一类叫做“爬虫“的工具。
网络爬虫实际上就是一个自动提取网页的程序，通过读取网页的URL代码，获取我们想要的图片信息。小编已经为大家准备了一些待训练图片，放到了网上，感兴趣的同学可以优先动手。当然，如果发现训练的效果不是很好，鼓励大家自己对数据集进行扩充。
有了后勤补给，可以开始整军备战了。首先要派出我们的将军，负责统战全局。这里小编推荐Keras担此大任。
Keras是一个用python编写的深度学习API，在机器学习平台Tensorflow上运行，换句话说他以Tensorflow为后端，作为神经网络的推理引擎。最近的Tensorflow也“高清复刻“了Keras的API。
Keras的API非常直奔主题，可以让人尽快地将构想转变为结果，简化研究过程。正如官网对他的评价：简单，灵活，强大。
这里要提醒一下版本匹配，这是开源软件的常见槽点。我们用的是，Keras：2.2.4，Tensorflow: 1.14.0，有条件的同学也可以安装Tensorflow的GPU版本，请注意保持版本一致。
下面开始介绍如何让这位将军听话，乖乖带兵打仗而不会拥兵自重。
Keras有两种排兵布阵的方式，一种是Sequential方式，一种是Function方式。
前者像是穿冰糖葫芦，每一个小兵都是一个单独的个体，小兵之间是顺序排列的，不能前后颠倒，不能互通有无，可以想象成排队报数。而Function方式，像是食堂放饭，各自为战，各自组队，可以一起吃，也可以分开吃，但是，不管怎样，最终我们还是一个整体，还是要去攻占敌军山头的。
简单的说，Sequential方式使用简单，但是，只能搭建那些串行网络。而Function方式，则可以根据不同需求，进行排列布阵，形成各种各样的阵型，搭配到一起使用，就像是编程时候用到的函数。
本文将主要介绍如何利用Sequential方式进行派兵布阵。
为了留给大家足够的发挥空间，小编先抛出一块简陋的砖：定制一个具有3层卷积+1层全连接的简单卷积神经网络。
战前准备，用过python的同学都知道，我们要去军火库抬装备：
有了装备和人员编制，食物也要备好。
这里要介绍一个数据预处理的概念，在进行深度神经网络训练时，一般往往要求输入的数据范围在(-1,1)或(0,1)之间，因此，我们要对数据进行归一化处理，并将标签数据转换为one-hot码.
举个栗子，本文要训练一个10分类的网络（对10种物体进行分类），那么要将标签（图片所对应的类别号）转换为长度为10，并且仅有其所对应的类别号的位置的数据为1，其余均为0，这样一组n维向量就被称为one-hot码，以方便网络进行迭代学习。
同时，需要对数据集进行拆分，将其划分为训练集与测试集，训练集用于模型自身迭代，测试集用于诊断模型能力。
粮食备好了，到了号令全军的时候了，拿虎符：
| 虎符 | 功能 |
|---|---|
| model = Sequential() | 声明模型构建模式为Sequential形式 |
布阵, 相信不用再一一报数了，至此我们构建了一个拥有3Conv+1Dense的CNN：
阵型有了，谁来让他们听话呢？政委：优化器要粉墨登场了, 负责模型的调优，这里要强调一点，学习率（lr）的设置有讲究，过大的学习率会提高模型的学习速度，但是太大了可能反而适得其反，还可能会导致模型无法得到最优解；而过小的学习率，会导致训练速度过慢，陷入局部最优不能自拔，选择上要进行试错调整：
指挥官一声令下，等待号令，这里的评价标准，我们选择categorical_crossentropy，这也是专门适用于多分类问题的损失函数：
全军操练, 这里的epochs代表总共迭代遍历数据集多少多少次，batch_size为一次迭代需要使用多少数据。小了能让模型迭代快，但是训练效果容易震荡，还妨碍学到全局特征；大了能让学习过程更平稳，但模型收敛效率会下降，还可能陷入局部最优。
在这里，还要介绍一位好朋友，
这个函数负责模型的保存，会将训练过程中遇到的最好结果即时保存下来。
经过一段等待，我们会得到如下一个喜人的结果，我们的模型在训练集上达到了接近100%的精度，但在测试集上约有68.85%的top1精度，看似不太好。不过，考虑到数据集的质量，还是可以接受的，而且，对于赛题要求，只要top5正确就可以了。当然了，这只是一块砖，期待同学们能弄出更加厉害的模型：
看上面那个不断下降的”loss”，就是在训练集上对误差最主要的评估。
不出意外的话，会在.models/这个文件夹下见到中途保存的模型文件，接下来，我们来介绍如何进行模型的部署。这个模型很小，所以咱们优先使用性能最佳的nncu工具，对于10层以上的大模型，就可能是在大模型上偏重精度的tf更合适了。
同学们应该是已经了解或是知道一个叫做NNCU的传奇工具，可以参考AI机器学习实战之电磁智能车篇，这篇推文里面有对于如何使用NNCU工具的说明。
在此，假设同学们已经转换出了模型，命名曰：model.nncu，c语言形式的调用方式，亦请参考推文。
本文中，为了方便同学们使用，小编和战友们特意添加了python形式的API进行调用，软件会适配在openART套件中，到时，可以联合本教程一同享用。
1. 模块导入：import nncu、 2. 模型导入：nncu.load(path,[weit_cache=])
4. 执行：nncu.classify(net, img, [roi=, min_scale=, scale_mul=, x_overlap=, y_overlap=, enable=])
实机运行结果如下，模型文件名称为_qm_model_22_0.6979_xxxx.nncu，还有需要注意的是标签文件路径需要动态调整，例如小编将标签文件放到了位于flash上的文件系统，如果同学们插入了sd卡，这个路径要相应的修改为/sd/animal_fruits.txt：
至此，完成了从数据集制备到模型部署的所有工作，同学们是不是已经迫不及待要上手一试了呢？
没有板子的同学，可以先在PC上优化模型，代码可参考我传到github的代码，train.py 和test.py分别用来模型的训练以及测试，欢迎大家踊跃提问，文中所有用到的模型，数据集，以及脚本文件均存放于github上。
再重复一遍链接：https://github.com/CristXu/smartcar.git
注：本文来自于恩智浦MCU加油站的推文：智能车大赛AI视觉组参考答案
