如何在基于Arm架构的边缘AI设备上部署飞桨模型

当 Arm 与领先的开源深度学习平台强强联合，会带来什么？那就是推动创新的“火箭燃料”。Arm 携手百度，利用双方在高能效计算平台与 AI 模型的技术积累，助力广大开发者加快边缘 AI 解决方案的开发和部署。

为了加速边缘 AI 的创新，并将机器学习能力高效地应用于嵌入式设备，Arm 与百度紧密合作，在Arm Ethos-U85上成功实现了涵盖图像分类、目标检测、人脸检测、姿势检测、图像分割以及光学字符识别应用场景的经典 PaddleLite 视觉模型的流畅部署。

Arm-Examples 的 GitHub 公共仓库中已提供涵盖上述六个典型应用场景的完整开发环境。本文将重点说明将 OCR 场景中的识别模型部署在 Ethos-U85 处理器上的工作流程，以及部署其他模型时的一些注意事项。如需详细了解其他案例的技术细节，请参考仓库中对应模型的部署指南。

代码仓库（即将上线）：https://github.com/Arm-Examples/Paddle-on-Ethos-U

如果你还想了解更多有关模型部署的技术细节，那下周WAVE SUMMIT 深度学习开发者大会 2025上的这场 Arm 技术分享可绝对不能错过！快来 Mark 住以下议程！

基于 Armv9 边缘 AI 计算平台，实现 ML 模型高性能部署

9 月 9 日 13:30 - 13:45

北京望京凯悦酒店

硬件论坛 · 软硬协同 模力无限

边缘侧的人工智能 (AI) 数据处理工作负载正在不断改变应用场景和用户体验。Ethos-U85正是为了满足未来边缘 AI 应用的需求而设计。为了加快芯片开发周期并简化流程，Arm 提供了包括 Arm Corstone-320 物联网参考设计平台[1]在内的一整套参考设计。本篇技术博客的案例代码正是在 Corstone-320 的固定虚拟平台[2]上进行测试。

开始之前，需要确保你的运行环境的软件配置满足以下条件：

Python 3.9 版本

Cmake 3.21 或 3.22 版本

可以创建虚拟环境的工具，例如：venv（本文使用）、Anaconda 等

测试系统环境为 ubuntu 20.04 或 22.04

步骤 1：创建虚拟运行环境，用于模型的训练或部署

# create virtual environment
python3.9 -m venv ppocr_rec
source ppocr_rec/bin/activate

注意：代码仓库中部分其他模型由于存在模型微调步骤，其模型训练和部署环境可能有差异，请参考代码仓库内部署指南。

步骤 2：从 GitHub 代码仓库下载示例代码，

并安装所需软件包

# download source code
git clone https://github.com/Arm-Examples/Paddle-on-Ethos-U

# configure virtual environment
cd Paddle-on-Ethos-U
./install.sh

步骤 3：下载飞桨模型

# download model

wget -O./model_zoo/PpocrRec_infer_int8/ch_ppocr_mobile_v2.0_rec_slim_opt.nb

https://paddleocr.bj.bcebos.com/dygraph_v2.0/lite/ch_ppocr_mobile_v2.0_rec_slim_opt.nb

步骤 4：使用代码仓库中的模型转换脚本

(write_model.py) 转换模型

本文所使用模型的主要包括以下三个模型转换步骤：

将飞桨格式的模型（后缀为 .nb 格式的文件）转换成中间表示 IR 文件（后缀为 .json 格式的文件），该步骤生成的中间表示 IR 文件将自动与输入的飞桨模型文件位于同一目录下（已知限制：--out_dir 参数针对此转换情况不生效）。

# Convert nb models to IR
python ./readnb/write_model.py --

model_path ./model_zoo/PpocrRec_infer_int8/ch_ppocr_mobile_v2.0_rec_slim_opt.nb --

out_dir .

将中间表示 IR 模型进行手动调整，由于调整部分较分散，为便于开发者体验，可通过补丁包的方式快速完成模型调整。

# Finish IR model adjustment by adding patch
cp ./model_zoo/PpocrRec_infer_int8/g_ch_ppocr_mobile_v2.0_rec_slim_opt.json ./readnb/test_asset/ppocr_rec/
cd ./readnb/test_asset/ppocr_rec/
patch -p0 g_ch_ppocr_mobile_v2.0_rec_slim_opt.json < g_ch_ppocr_rec.patch
cd ../..

可选地，再次使用转换脚本将手动调整后的中间表示 IR 模型转换为 TOSA 图[3]并使用官方提供的编译器 Ethos-U Vela 进行模型的编译。更多关于 Ethos-U Vela 编译器的信息可以查看 PyPI 社区的相关介绍[4]，或可访问 developer.arm.com 中的相关技术指南[5]。也可选择跳过此步骤，因为在步骤 5 中会自动执行该转换命令。

# Finish final model conversion and do model compilation with vela

python write_model.py --

model_path ./test_asset/ppocr_rec/g_ch_ppocr_mobile_v2.0_rec_slim_opt.json --

out_dir ../download_nb --do_vela

步骤 5：构建 OCR 识别应用并查看结果

cd ..
./paddle_verify.sh -m ppocr_rec -p ./model_zoo/PpocrRec_infer_int8/test.jpg

示例测试结果如下：

telnetterminal0: Listening for serial connection on port 5000

telnetterminal1: Listening for serial connection on port 5001

telnetterminal5: Listening for serial connection on port 5002

telnetterminal2: Listening for serial connection on port 5003

handles.inputs->count is 1

input tensor scratch_addr address 0x7c11f840

input shapes 122880

copy input data into scratch_addr

handles.outputs->io[x] shapes is 655360

output tensor output_addr address 0x7c1bf840

output shapes 655360

output bin [0x7c1bf840 655360]

handles.outputs->count is 1

Shape : 655360

Rec Reuslut: 纯臻营养护发素

Confidence: 0.966813

============ NPU Inferences : 1 ============

Profiler report, CPU cycles per operator:

ethos-u : cycle_cnt : 2083105832 cycles

Operator(s) total: 574619648 CPU cycles

Inference runtime: -987073648 CPU cycles total

NOTE: CPU cycle values and ratio calculations require FPGA and identical CPU/NPU frequency

Inference CPU ratio: 100.00

Inference NPU ratio: 0.00

cpu_wait_for_npu_cntr : 574619648 CPU cycles

Ethos-U PMU report:

ethosu_pmu_cycle_cntr : 2083105832

ethosu_pmu_cntr0 : 479

ethosu_pmu_cntr1 : 21

ethosu_pmu_cntr2 : 118511

ethosu_pmu_cntr3 : 0

ethosu_pmu_cntr4 : 592

Ethos-U PMU Events:[ETHOSU_PMU_SRAM_RD_DATA_BEAT_RECEIVED,

ETHOSU_PMU_SRAM_WR_DATA_BEAT_WRITTEN,

ETHOSU_PMU_EXT_RD_DATA_BEAT_RECEIVED, ETHOSU_PMU_EXT_WR_DATA_BEAT_WRITTEN,

ETHOSU_PMU_NPU_IDLE]

============ Measurements end ============

Running Model Exit Successfully

Application exit code: 0.

Info: /OSCI/SystemC: Simulation stopped by user.

[run_fvp] Simulation complete, 0 Dump to out_tensors.bin

在基于 Arm 架构的边缘 AI 设备上部署飞桨模型，开发者往往需要优化模型、准备软件并选择合适的硬件。上述介绍的步骤将有助于开发者高效地在边缘侧部署 AI 应用，实现贴近数据源的快速推理与处理。快来动手尝试吧！