在嵌入式邊緣AI中，如何把“訓練好的模型”穩(wěn)定地“跑在板子上”，決定了項目能否落地。我們帶你基于RA8P1平臺，跑通從數(shù)據(jù)準備、模型訓練、量化轉換，到工程部署的整個流程，幫助你快速實現(xiàn)在RA8P1上部署人臉檢測模型。

11月22日（本周六），900，我們將就嵌入式AI，帶來免費線上培訓，手把手帶你掌握包括本文但不限于本文的更多技術干貨，還有雙核通信培訓哦！帶上電腦，帶上Titan Board，預約直播參加培訓?。ü娞柡笈_回復RA8P1，加入培訓群）

1應用效果預覽

2?圖看流程：從數(shù)據(jù)到上板

3 準備工作：硬件與軟件環(huán)境

3.1 硬件清單

開發(fā)板：RA8P1開發(fā)板（Titan Board）。

傳感器/外設：屏幕和攝像頭

3.2 軟件與?具

RT-Thread Studio

Python 3.9–3.11，pip包：pytorch等ai庫

Yolo-Fastest

4 訓練與導出：數(shù)據(jù)集到模型

4.1 數(shù)據(jù)集準備

收集網(wǎng)上已有的數(shù)據(jù)即可

4.2 訓練

使用我編譯好的darknet.exe

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

4.3 模型轉換

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

將上?步得到的tflite文件復制到ruhmi-framework-mcu/models下，然后運行以下指令

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會在ruhmi-framework-mcu/scripts下生成可部署模型?件，路徑如下

接下來，刪除*io_data.*和hal_entry.c， 然后將剩下的文件拷貝到ek-ra8p1_face_detect/src/models下打開rt-thread studio,導?ek-ra8p1_face_detect項目

選擇rt-thread studio項?

選擇對應的文件夾路徑

進入屬性頁面

修改編碼格式

編譯然后下載

檢測效果如下

11月22日（本周六），900，線上培訓，跟著我們一起掌握嵌入式AI！帶上電腦，帶上Titan Board，預約直播參加培訓！（公眾號后臺回復RA8P1，加入培訓群）

獲取硬件

RT-Thread 與瑞薩電子聯(lián)合推出 RA8P1 Titan Board，基于 1GHz Arm Cortex-M85 + 250MHz Cortex-M33 雙核架構，集成 Ethos-U55 NPU ，實現(xiàn) 256 GOPS 的 AI 性能、超過 7300 CoreMarks 的突破性 CPU 性能和先進的人工智能 (AI) 功能，可支持語音、視覺和實時分析 AI 場景!

或復制鏈接購買：https://item.taobao.com/item.htm?ft=t&id=987791181903