树莓派5 + Hailo AI加速器：工业级数值数据处理实战，打通SQLite与机器学习全链路

本文讨论了在工业自动化背景下，开发者利用树莓派5和Hailo AI加速器进行工业级数值数据处理实战，打通SQLite与机器学习全链路时遇到的问题及解决方案。关键要点包括：

1.开发者需求：构建能从SQLite数据库提取数值数据、用优化模型分析数据、将结果保存回数据库的高效数据处理流程。

2.基准性能：Hailo-8L模块推理吞吐量为15万次/秒（INT8），SQLite批处理延迟<5ms/批次（100条/批次）。

3.面临挑战：HailoRT版本不包含编译器；Hailo Model Zoo在Python 3.11环境安装失败；工作流模型与数值特征不兼容。

4.社区提问：询问数值数据模型与加速器集成示例、Python版本处理方案、非图像数据处理工作流及工具等。

5.解决方案：下载Dataflow Compiler (DFC)，在带GPU的x86机器上进行模型编译。

6.参考实现：可查看树莓派示例适应数值数据处理

7.启发思考：体现社区力量、清晰表达问题、开发者与社区互动的重要性。

导语

在工业自动化的浪潮中，数据就是力量！树莓派5凭借其强大的性能和丰富的接口，成为了开发者手中的“瑞士军刀”。而Hailo AI加速器的加入，更是为这把“刀”装上了“火箭助推器”！

你是否遇到过这样的难题：海量的数值数据从传感器涌入，传统的计算方法跟不上节奏，数据处理成了瓶颈。别担心，本文将带你走进一个真实的开发故事，看开发者如何用树莓派5和Hailo AI加速器，打造出一个从数据读取到分析，再到结果回写的高效流水线。

开发者的需求：我们想实现什么？

在Hailo的开发者社区里面，有一位叫walter.richtscheid的工程师提出一个开发中的问题：

他的目标是构建一个高效的数据处理流程，能够：

1. 从SQLite数据库中提取数值数据。

2. 使用针对Hailo AI加速器优化的机器学习模型对数据进行分析。

3. 将分析结果保存回SQLite数据库。

基准性能：

Hailo-8L模块推理吞吐量： 15万次/秒（INT8）

SQLite批处理延迟： <5ms/批次（100条/批次）

面临的挑战

1、编译器缺失

我们安装的HailoRT版本（4.19.0）不包含TensorFlow-to-HEF编译器。

像以下这样的命令无法使用：

hailortclicompile-tensorflow

2、Hailo Model Zoo安装问题

在我们的Python 3.11环境中，安装Hailo Model Zoo 2.13.0（Python包）时失败，出现以下错误：

fatalerror: longintrepr.h: No such file or directory

lap依赖项似乎与Python 3.11不兼容。

3、工作流模型兼容性

示例HEF中的当前VStreams是基于图像的（NHWC 416x416x3），不适合我们的数值特征（每行3个值）。

我们不确定如何调整管道以适应数值数据处理。

社区提问

由于无法解决，所以这位开发者在社区里提出了自己的问题并寻求Hailo官方的帮助：

1. 是否有关于将数值数据模型（例如DNN）与Hailo AI加速器集成的示例或模板？

2. 我们是否应该将Python版本降级到3.9以确保Model Zoo的兼容性，还是有其他替代方案？

3. 是否有推荐的工作流或编译工具用于非图像数据处理？

4. TAPPAS是否可以用于简化这种数值数据管道？

附加信息

运行64位Raspberry Pi OS的Raspberry Pi 5。

已在虚拟环境中安装并运行TensorFlow 2.18.0。

已经验证了SQLite数据库的输入和输出批处理。

技术支持与解决方案

Hailo的官方在了解到开发者的需求和问题后，迅速做出了回复：

1、下载Dataflow Compiler (DFC)

首先，从我们的开发者区域下载Dataflow Compiler (DFC)：

https://hailo.ai/developer-zone/software-downloads/

（需要注册/登录才能访问下载）

2、模型编译（在带有GPU的x86机器上）

将TensorFlow模型转换为ONNX格式：

python -m tf2onnx.convert--saved-modelyour_model_dir--outputmodel.onnx

然后使用DFC编译：

完整的数值数据处理管道实现

importnumpyasnpimportsqlite3fromhailo_platformimportHEF, VDevicefromhailo_rpi_commonimportapp_callback_classclassNumericalDataCallback(app_callback_class): def__init__(self): super().__init__() self.db_path ="results.db" defsave_to_db(self, data): conn = sqlite3.connect(self.db_path) cursor = conn.cursor() cursor.execute('CREATE TABLE IF NOT EXISTS results (id INTEGER PRIMARY KEY, value REAL)') cursor.executemany('INSERT INTO results (value) VALUES (?)', [(value,)forvalueindata]) conn.commit() conn.close()classNumericalDataApp: def__init__(self, callback, user_data): self.callback = callback self.user_data = user_data self.hef_path ="model.hef" withVDevice()asvdevice: hef = HEF(self.hef_path) self.network_group = vdevice.configure(hef) defrun_inference(self, data): withself.network_group.create_vstreams()asvstreams: returnvstreams[0].infer(data) defrun(self): input_data = np.random.rand(1,3).astype(np.float32) # 替换为实际数据 results = self.run_inference(input_data) self.user_data.save_to_db(results) print(f"Pipeline run complete. Results saved:{results}")if__name__ =="__main__": user_data = NumericalDataCallback() app = NumericalDataApp(app_callback, user_data) app.run()

参考实现

请查看我们的树莓派的示例，这些示例可以适应数值数据处理。

https://github.com/hailo-ai/hailo-rpi5-examples

开发者的回应

由于官方的有力支持，开发者的工作有了很大的进展：

我们非常感谢你提供的关于使用Hailo AI加速器处理数值数据的详尽回复和清晰的分步指导。我们真切地感受到你为分享这一全面解决方案所投入的时间和精力！

目前，我们正在梳理工作流程，并准备实施你建议的步骤，包括数据流编译器和基于Python的管道。在完成测试后，我们将毫无保留地与社区分享我们的成果和任何额外的见解。

再次感谢你的支持和专业知识——在我们持续推进这个项目的过程中，它们简直是无价之宝。

最好的祝福，”

结语：启发与思考

在这个充满挑战的开发过程中，我们学到了很多宝贵的经验。遇到问题并不可怕，关键是如何快速有效地找到解决方案。正如这位开发者所展示的，当你遇到难题时，选择一个合适的渠道寻求帮助是非常重要的。

他选择了Hailo的社区，清晰地描述了自己的问题，并分享了自己的疑问和进展。这种清晰的表达使得Hailo官方能够迅速理解他的需求，并提供正确的建议。结果，问题得到了有效的解决。

这给我们带来了几个重要的启发：

社区的力量：Hailo社区证明了其在技术支持方面的价值。这样的社区不仅是解决问题的地方，更是学习和成长的平台。

清晰的表达：在寻求帮助时，清晰地描述问题和自己的尝试是非常重要的。这有助于他人快速理解并提供帮助。

互动的重要性：开发者与社区的互动是解决问题的关键。通过分享和讨论，我们可以更快地找到答案。

对于树莓派开发者来说，这些经验是非常有参考意义的。它们提醒我们，在开发过程中遇到问题时，不要犹豫寻求帮助，同时也要学会如何有效地利用社区资源。

希望这些思考能够引发你的共鸣，让我们在开发的道路上共同成长，不断探索新的可能性。