说明1：一直致力于推出保姆级教程
说明2：RT-AK 之 K210 插件地址：
https://github.com/RT-Thread/RT-AK-plugin-k210
说明3：本文章中的项目代码地址：https://githuib.com/EdgeAIWithRTT/Project4-Mnist_RT-AK_K210
在该片文章引用的例程中，没有用到摄像头和 LCD。但是在项目中，有包含 LCD 的例程。
克隆下载即可使用，欢迎 fork、star、watch 三连~
准备以下几份重要重要重要（重要的事情说3遍）的材料：
硬件
嘉楠堪智的 KD233 或者亚博 YB-DKA01，或其它基于 K210 芯片的开发板(可能需要定制 BSP，请与我们联系)
这里，我们准备好了一份 BSP，
下载地址：http://117.143.63.254:9012/www/RT-AK/sdk-bsp-k210.zip
交叉编译工具链 (Windows)
xpack-riscv-none-embed-gcc-8.3.0-1.2-win32-x64.zip | Version: v8.3.0-1.2
链接：（请复制外部浏览器打开）https://github.com/xpack-dev-tools/riscv-none-embed-gcc-xpack/releases/download/v8.3.0-1.2/xpack-riscv-none-embed-gcc-8.3.0-1.2-win32-x64.zip
将 RT-AK 克隆到本地
1$ git clone https://github.com/RT-Thread/RT-AK.git edge-ai
由于 k210 原厂工具仅支持三种模型格式：TFLite、Caffe、ONNX
所以提前将 keras 神经网络模型转换成了 tflite 模型，位于 RT-AK/rt_ai_tools/Models/mnist.tflite
如果没有找到该模型，请更新 RT-AK 仓库
或者在此处可见：
https://github.com/EdgeAIWithRTT/Project5-Mnist_RT-AK_K210/tree/master/models
1.NNCase：
已经提前下载好，位于 RT-AK/rt_ai_tools/platforms/plugin_k210/k_tools 路径下
2.K-Flash 烧录工具，下载请选择 K-Flash.zip
Github 下载地址: https://github.com/kendryte/kendryte-flash-windows/releases
代码将会自动使用
NNCase模型转换工具，获得一个集成了 AI 的 BSP
内部的流程请看源码或者 plugin_k210 仓库下的 readme 文档
请在 edge-ai/RTAK/tools 路径下运行该程序。
在 RT-AK 运行的过程中
会自动拉取 K210 插件的仓库到 RT-AK/rt_ai_tools/platforms 路径下
在 BSP 基础上将会集成 AI 模型的，不包括模型推理等应用代码，应用代码请看下文
在 RT-AK/rt_ai_tools/platforms/plugin_k210 路径下会生成 convert_report.txt 两个文件
kmodel 模型
convert_report.txt AI 模型转换过程的 log 日志
1# 基础运行命令
2python aitools.py --project=<your_project_path> --model=<your_model_path> --model_name=<your_model_name> --platform=k210 --clear
3
4# 示例
5$ D:\Project\edge-ai\RT-AK\rt_ai_tools>python aitools.py --project=D:\Project\K210_Demo\k210_rthread_bsp --model=.\Models\mnist.tflite --model_name=mnist --platform=k210 --embed_gcc=D:\Project\k210_third_tools\xpack-riscv-none-embed-gcc-8.3.0-1.2\bin --dataset=.\platforms\plugin_k210\datasets\mnist_datasets
RT-AK 之 K210 插件示例 Demo 运行成功界面：
1# 非量化，不使用 KPU 加速， --inference_type
2$ python aitools.py --project=<your_project_path> --model=<your_model_path> --platform=k210 --inference_type=float
3
4# 非量化，指定交叉编译工具链路径
5$ python aitools.py --project=<your_project_path> --model=<your_model_path> --platform=k210 --embed_gcc=<your_RISCV-GNU-Compiler_path> --inference_type=float
6
7# 量化为 uint8，使用 KPU 加速，量化数据集为图片
8$ python aitools.py --project=<your_project_path> --model=<your_model_path> --platform=k210 --embed_gcc=<your_RISCV-GNU-Compiler_path> --dataset=<your_val_dataset>
9
10# 量化为 uint8，使用 KPU 加速，量化数据集为音频之类非图片，--dataset_format
11$ python aitools.py --project=<your_project_path> --model=<your_model_path> --platform=k210 --embed_gcc=<your_RISCV-GNU-Compiler_path> --dataset=<your_val_dataset> --dataset_format=raw
12
13# 示例(量化模型，图片数据集)
14$ python aitools.py --project="D:\Project\k210_val" --model="./Models/facelandmark.tflite" --model_name=facelandmark --platform=k210 --embed_gcc="D:\Project\k210_third_tools\xpack-riscv-none-embed-gcc-8.3.0-1.2\bin" --dataset="./platforms/plugin_k210/datasets/images"
RT-AK 中的参数包含了两部分，
基础参数
K210 插件参数
基础参数详见 https://github.com/RT-Thread/RT-AK/tree/main/RT-AK/rt_ai_tools 中的 0x03 参数说明
插件参数详见 https://github.com/RT-Thread/RT-AK-plugin-k210/README.md 中的 3. 命令行参数详细说明
上述示例命令行的参数说明
如果在执行 RT-AK 得过程中添加了 --embed_gcc 这个参数，可跳过以下部分：
设置编译环境
方法一：set RTT_EXEC_PATH=
方法二：修改 rtconfig.py 文件，在第22行新增 os.environ['RTT_EXEC_PATH'] = r'your_toolchains'
编译：
1scons -j 6
如果编译正确无误，会产生 rtthread.elf、rtthread.bin文件。
其中 rtthread.bin 需要烧写到设备中进行运行。
下载：
可以看到，下载后得显示界面并没有什么变化，
那是因为 RT-AK 内部不提供应用程序代码，想要让 AI 模型成功运行，需要开发者们自行编写，在本文得末尾，我们提供了一份示例代码。
我们提供了一份运行模型推理的示例应用代码，
下载地址: http://117.143.63.254:9012/www/RT-AK/mnist_app_k210.zip
下载解压，放置到 <BSP>/applications 路径下
编译烧录即可。
系统内部初始化：
系统时钟初始化
RT-AK Lib 模型加载并运行：
注册模型（代码自动注册，无需修改）
找到注册模型
初始化模型，挂载模型信息，准备运行环境
运行（推理）模型
获取输出结果
1// main.c
2/* Set CPU clock */
3sysctl_clock_enable(SYSCTL_CLOCK_AI); // 使能系统时钟（系统时钟初始化）
4...
5
6// 注册模型的代码在 rt_ai_mnist_model.c 文件下的第31行，代码自动执行
7// 模型的相关信息在 rt_ai_mnist_model.h 文件
8/* AI modol inference */
9mymodel = rt_ai_find(MY_MODEL_NAME); // 找到注册模型
10if (rt_ai_init(mymodel, (rt_ai_buffer_t *)IMG9_CHW) != 0) // 初始化模型，传入输入数据
11...
12if(rt_ai_run(mymodel, ai_done, NULL) != 0) // 模型推理一次
13...
14output = (float *)rt_ai_output(mymodel, 0); // 获取模型输出结果
15
16/* 对模型输出结果进行处理，该实验是Mnist，输出结果为10个概率值，选出其中最大概率即可 */
17for(int i = 0; i < 10 ; i++)
18{
19 // printf("pred: %d, scores: %.2f%%\n", i, output[i]*100);
20 if(output[i] > scores && output[i] > 0.2)
21 {
22 prediction = i;
23 scores = output[i];
24 }
25}
如何更换模型输入数据补充说明：
示例数据在 applications 文件夹下，模型不用重新训练，只需更改第18行和第51行即可
详细得 Mnist Demo 工程链接，包括训练和数据处理。
Github：https://github.com/EdgeAIWithRTT/Project4-Mnist_RT-AK_K210
你可以添加微信17775982065为好友，注明：公司+姓名，拉进 RT-Thread 官方微信交流群！
