基于RAMCU+RealityAI识别动作姿态全流程开发（2）

原创瑞萨MCU小百科 2025-01-22 12:00 139浏览 0评论 0点赞

超低功耗CW32L083系列 别让示波器限制想象力，工程师新选择来了

前期回顾

基于RA MCU + Reality AI识别动作姿态全流程开发（1）

三

创建模型与部署

本节要点

在第二步采集到的数据基础之上，用Reality AI Tools创建模型。

步骤

1.1

点击Asset Tracking，激活此项目。

点击左侧Data界面，按照如下步骤操作：

点击Curate。
点击数据文件展开按钮。
勾选数据文件。
点击Action。
点击Format Selected。

1.2

在弹出的窗口中，按下述步骤操作：

点击#1 Data，并下拉到最下面，选择Ignore。（注意：这一步非常重要）。
输入采样率1600。
点击Confirm。

1.3

点击Action->Segment List From Selected，进行数据分段。

1.4

按照如下步骤：

Window Length Datapoints选择512。
Offset Datapoints选择50%。
List名称为amr_512_50_percent_overlap。
点击Submit。

在这里解释一下，滑动窗口的作用：

避免窗口边缘特征的丢失。
增加样本的数量。

滑动窗口允许背靠背分段数据之间的重叠。

Sample 1和2之间有50%重叠。
Sample 2和3之间有50%重叠。

1.5

在e² studio中的configuration.xml中的stack部分Properties页面中Data Shipper/Data Collector/General/Frame Buffer Length，可以设置MCU采集数据时的滑动窗口大小。

本实验滑动窗口的设置是512。

1.6

当数据分段完成后，点击左侧AI Explore->Classes。

1.7

点击先前创建的amr_512_50_percent_overlap。再点击界面下部的Start exploring。

此时，模型正在生成中。模型生成的过程中，允许退出系统或者进行其他操作。这些操作并不会中断或者影响模型生成。

1.8

大概等待10~25分钟左右后，模型生成完成，模型生成时长与训练数据大小有关。

如何选择适合自己的模型呢？主要关注Complexity和KFold Accuracy两个指标。

点击Complexity列的三角图标，它显示当前模型的相关参数。

X Operations表示模型运行中的MAC（乘累加）操作数量。
RAM表示模型运行中所需RAM的大小。
Storage（FLASH/ROM）表示模型运行中所需FLASH的大小。

注意：上述的RAM和FLASH的数值，是以云端服务器硬件平台为基准显示的，仅供参考。部署到实际项目中的MCU/MPU平台中的RAM和FLASH的数值，可能会与这个不同。

KFold Accuracy表示K折交叉验证的模型精度。交叉验证的基本思想是将原始数据集分成多个部分，一部分当作训练集，另一部分作为验证集。先用训练集对算法模型进行训练，再用验证集测试训练得到的算法模型，反复利用这些部分进行模型的训练和验证。Overall %表示本模型的整体精度，数值越高越好，Worst %表示本模型的最差精度，数值越高越好。

点击图中“Create Base Tool”，来生成嵌入式端的模型。

注意：Reality AI Tools会生成许多模型，点击右下角的” Show more results” 可以看到被折叠隐藏的更多模型。

1.9

使用默认的名称，或者输入模型名称和描述。点击“Add”。

1.10

现在开始创建嵌入式端侧部署模型，按照如下步骤：

点击Deploy->Embedded。
点击Trained Tool Description list。
点击 +New Package。

1.11

输入DeployName，这个名字就是待会生成的API的前缀。在Inputs中的Data type中选择float32（float）。因为采集的数据是float32类型的。中间的outputs区域，显示了API的输出类型和含义。右侧的Build Options涵盖目标设备类型（目前RA6E2没有在列表清单中，暂时选择RA6E1），FPU类型选择M33 FPU，hard fp abi，Toolchain选择GNU GCC 13.2.1，优化类型选择Speed。