如何训练自己的AI模型——RT-Thread×富瀚微FH8626V300L模型训练部署教程 | 技术集结

面对消费电子中纷繁的智能检测需求，如何让算法持续进化？富瀚微最新发布的FH86X6V300芯片AI训练教程，以FH8626V300L为硬件核心，手把手带您走通从模型训练到端侧部署的完整链路。掌握自定义AI开发能力，即可打造更精准、更经济的智能检测方案。

扫码申请试用硬件&模型训练工具：

或前往淘宝购买：https://e.tb.cn/h.SDz8fmbdZoxn8fI?tk=w2b6fn2xZpQ

一. AI模型训练环境搭建

环境需求

Ubuntu 18.04以上都可以 (自行安装)

Python 3.6

CUDA 10.0 （基于RTX10系列显卡）

CUDA 11.4 (基于RTX30 系列显卡，低于CUDA 11.1以下无法激活显卡的nn性能)

python3.6环境安装

本环境推荐使用Miniforge来配置环境，ubuntu可以选择18.04以后版本，当前以ubuntu22.04为例适配。

miniforge安装适配

#下载适合系统架构的安装包Wget https://github.com/conda-forge/miniforge/releases/latest/download/Miniforge3-Linux-x86_64.sh#添加执行权限chmod +x Miniforge3-Linux-x86_64.sh#运行安装脚本bash Miniforge3-Linux-x86_64.sh#按Enter查看许可协议，输入yes接受#确认安装路径（默认~/miniforge3）#选择yes初始化shell#重启终端或根据使用的shell执行对应命令：

初始化环境

#对于bash用户：source~/.bashrc#对于zsh用户：source~/.zshrc

创建python3.6训练环境

#创建python3.6环境mambacreate -n py36 python=3.6#激活py36环境condaactivate py36

tensorflow1.15环境安装

#升级pippython-m pip install --upgrade pip
#安装tensorflow 1.15环境pip install nvidia-pyindexpip install nvidia-tensorflow[horovod]
#安装训练依赖包pip install cryptographypip install cmakepip install opencv_python==4.5.5.64pip install tqdmpip install easydictpip install matplotlib

二. AI模型训练

0 训练配置

训练不同网络需要将对应的config_xxx.py重命名为config.py，并在config.py里面修改数据路径和GPU相关配置，尤其注意case_id的选择，不同的case_id代表不同的网络结构，会有性能和代价的不同。

cp./ZTV2/config_xxx.py config.py

1 准备数据

将图片和标签转化为深度学习可识别的数据格式。

python1_create_tfrecords_example.py

2 检查数据是否生成正确

python2_check_data_created_correctness_example.py

3 开始训练

建议GPU Memory > 8G , Batchsize>8

确保上阶段生成的数据路径正确。

模型输出地址config.checkpoint_dir 可自定义

config.ckpt为初始化的参数，可以在各自文件夹内找到

python3_finetune_example.py

4 测试

将训练完成的模型 通过修改config.py中的config.ckpt_test载入文件

输出测试结果config.output_txt_file

python4_test_example.py

5 生成nbg文件

选择需要转化的模型地址写入config.py中config.ckpt_to_nbg

会在当前目录下生成nbg文件

python5_trans_ckpt_to_nnip_example.py

生成模型文件，用于端侧部署加载：

三. 应用部署

基础应用构建参考此文章：

手把手带你玩转智能模型——RT-Thread×富瀚微FH8626V300L初级智能案例实战 | 技术集结

1 AI检测的端侧数据流

2 AI检测的端侧处理流程