RA8P1部署ai模型指南：从训练模型到部署

在嵌入式边缘AI中，如何把“训练好的模型”稳定地“跑在板子上”，决定了项目能否落地。我们带你基于RA8P1平台，跑通从数据准备、模型训练、量化转换，到工程部署的整个流程，帮助你快速实现在RA8P1上部署人脸检测模型。

11月22日（本周六），900，我们将就嵌入式AI，带来免费线上培训，手把手带你掌握包括本文但不限于本文的更多技术干货，还有双核通信培训哦！带上电脑，带上Titan Board，预约直播参加培训！（公众号后台回复RA8P1，加入培训群）

1应用效果预览

2⼀图看流程：从数据到上板

3 准备工作：硬件与软件环境

3.1 硬件清单

开发板：RA8P1开发板（Titan Board）。

传感器/外设：屏幕和摄像头

3.2 软件与⼯具

RT-Thread Studio

Python 3.9–3.11，pip包：pytorch等ai库

Yolo-Fastest

4 训练与导出：数据集到模型

4.1 数据集准备

收集网上已有的数据即可

4.2 训练

使用我编译好的darknet.exe

cdYolo-fastestdarknet.exe detector train datasets/voc.data datasets/yolo-fastest.cfg -dont_show

4.3 模型转换

darknet->tflite

conda activate convertcd /path/to/keras-YOLOv3-model-setpython tools/model_converter/conver2tflite_and_int8.py--config_pathyolo-fastest.cfg--weights_pathyolo-fastest_last.weights--output_pathface.h5--int8_img_path../Yolo-Fastest/datasets/face/data_1/train/image/--save_tflite_pathface_int8.tflite-f

tflite->ruhmi

将上⼀步得到的tflite文件复制到ruhmi-framework-mcu/models下，然后运行以下指令

conda activate ruhmicd /path/to/ruhmi-framework-mcu/scriptspython mcu_deploy.py--ethos--ref_data../models/ deploy_qtzed_ethos

5部署模型

tflite->ruhmi会在ruhmi-framework-mcu/scripts下生成可部署模型⽂件，路径如下

接下来，删除*io_data.*和hal_entry.c，然后将剩下的文件拷贝到ek-ra8p1_face_detect/src/models下打开rt-thread studio,导⼊ek-ra8p1_face_detect项目

选择rt-thread studio项⽬

选择对应的文件夹路径

进入属性页面

修改编码格式

编译然后下载

检测效果如下

11月22日（本周六），900，线上培训，跟着我们一起掌握嵌入式AI！带上电脑，带上Titan Board，预约直播参加培训！（公众号后台回复RA8P1，加入培训群）

获取硬件

RT-Thread 与瑞萨电子联合推出 RA8P1 Titan Board，基于 1GHz Arm Cortex-M85 + 250MHz Cortex-M33 双核架构，集成 Ethos-U55 NPU ，实现 256 GOPS 的 AI 性能、超过 7300 CoreMarks 的突破性 CPU 性能和先进的人工智能 (AI) 功能，可支持语音、视觉和实时分析 AI 场景!