RA8P1 模型轉(zhuǎn)換與部署教程（手勢識別）

適用范圍 ：RA8P1 (Ethos?U55)
工具鏈 ：e2 studio 集成 RUHMI
說明 ：本工程是基于官方示例人臉識別工程基礎(chǔ)上進(jìn)行教學(xué)，本教程僅新增 手勢識別 模型的獲取、轉(zhuǎn)換與部署。

0. 基礎(chǔ)知識與技術(shù)棧簡介

為了更好地理解本教程，建議先了解以下核心技術(shù)概念，這將有助于你理解為什么需要進(jìn)行“模型轉(zhuǎn)換”和“量化”操作。

核心硬件：RA8P1 與 Ethos-U55

• Renesas RA8P1 : 業(yè)界首款基于 Arm Cortex-M85 內(nèi)核的微控制器。M85 搭載了 Helium? 矢量處理單元，DSP/ML 性能及其強(qiáng)悍。
• Arm Ethos-U55 : RA8P1 內(nèi)部集成的微型神經(jīng)網(wǎng)絡(luò)處理器 (microNPU)。它的作用是專門處理繁重的卷積和矩陣運算。
  • 優(yōu)勢 ：相比僅用 CPU，使用 NPU 推理速度通常提升數(shù)倍甚至數(shù)十倍，且功耗極大降低。
  • 工作原理 ：NPU 并不運行普通 C 代碼，而是執(zhí)行專門的“命令流”。我們在轉(zhuǎn)換步驟生成的 sub_xxxx_command_stream.c 就是 NPU 的指令集。

核心算法：YOLO-Fastest

• YOLO-Fastest : YOLO (You Only Look Once) 系列中最輕量級的版本之一。
• 為什么選它 ：標(biāo)準(zhǔn) YOLOv5/v8 對于 MCU 來說過于龐大。YOLO-Fastest 優(yōu)化了網(wǎng)絡(luò)結(jié)構(gòu)（如使用深度可分離卷積），在保持檢測速度（FPS）的同時，模型體積通常能控制在 1MB 以內(nèi)，非常適合部署在 MCU 的片內(nèi) Flash 中。

核心流程：RUHMI 與 量化 (Quantization)

• RUHMI / AI Navigator : Renesas 的 AI 部署工具鏈。它的核心任務(wù)是將通用的 AI 模型（如 .pt/.onnx）“翻譯”成嵌入式工程可用的 C 代碼。
• INT8 量化 (關(guān)鍵) ：Ethos-U55 是一個 定點加速器 ，它只能通過整數(shù)（INT8）進(jìn)行計算，不支持浮點數(shù)（Float32）。
  • 轉(zhuǎn)換 ：工具會將模型中的權(quán)重（如 0.1234）映射為整數(shù)（如 12）。
  • 校準(zhǔn) (Calibration) ：為了讓整數(shù)運算的結(jié)果盡可能接近原始浮點結(jié)果，我們需要提供“校準(zhǔn)集”圖片，讓工具統(tǒng)計數(shù)據(jù)的分布范圍（動態(tài)范圍）。如果校準(zhǔn)沒做好（如 Mean/Std 設(shè)置錯誤），模型在板子上跑出來的結(jié)果就會完全不可用。

1. 環(huán)境搭建與 RUHMI 安裝

RUHMI (Renesas AI) 有兩種安裝方式：一種是圖形化界面，一種是命令行。本教程講解通過圖形化界面進(jìn)行安裝與配置。

1.1 安裝 e2 studio

首先下載并安裝 Pyron e2 studio。安裝完成后打開模型轉(zhuǎn)換工具（RUHMI Dashboard）。

(圖示路徑)

1.2 安裝配置 Python 3.10 (關(guān)鍵步驟)

如果在選擇路徑后提示環(huán)境缺失（如提示找不到 Python），請按照以下步驟安裝。

第一步：下載 Python 3.10
e2 studio 通過 Windows 的 py 啟動器檢測版本，必須安裝官方純凈版。
下載地址 或前往 Python 官網(wǎng)下載 Python 3.10.x（建議 3.10.11 或更新版本）。

第二步：安裝設(shè)置（非常重要）
運行安裝包時，在第一個界面：

1. 不要勾選Add Python 3.10 to PATH —— 保護(hù)現(xiàn)有環(huán)境，避免沖突。
2. 務(wù)必勾選Install launcher for all users (Recommended) —— 讓 e2 studio 能通過 py -3.10 命令找到它。
3. 點擊 Install Now 完成安裝。

安裝完成后，重啟 e2 studio，按照之前的步驟再次點擊 Setup Environment 。
當(dāng)出現(xiàn)如下圖示時，代表環(huán)境配置成功：

2. 模型訓(xùn)練：手勢檢測 (YOLO-Fastest)

本節(jié)介紹從數(shù)據(jù)集準(zhǔn)備到訓(xùn)練出 .pt 文件的全流程。

• 任務(wù) ：2 類目標(biāo)檢測：ok、palm（張開手掌）
• 模型 ：YOLO-Fastest (2路輸出 head)
• 輸入 ：192x192，RGB 3通道
• 預(yù)處理 ：x/255 (0..1)，無 mean/std 減法

2.1 準(zhǔn)備數(shù)據(jù)集 (HaGRID 子集)

我們使用 HaGRID 的 YOLO 格式數(shù)據(jù)，僅保留兩類（0=ok, 1=palm）。

下載與解壓

在 Windows PowerShell 執(zhí)行以下命令：

mkdir D:gesture_ai
cd D:gesture_ai

# 下載示例數(shù)據(jù)集 (約10GB)
curl.exe -L -o yolo_format.zip "https://huggingface.co/datasets/testdummyvt/hagRIDv2_512px_10GB/resolve/main/yolo_format.zip?download=true"

# 解壓
mkdir hagrid_yolo_sample
tar -xf .yolo_format.zip -C .hagrid_yolo_sample

目錄結(jié)構(gòu)示例 ：

• D:gesture_aihagrid_ok_palm_1imagestrain|val|test
• D:gesture_aihagrid_ok_palm_1labelstrain|val|test
• D:gesture_aihagrid_ok_palm_1data_ok_palm.yaml

2.2 訓(xùn)練環(huán)境配置

1. 拉取代碼庫

cd D:gesture_ai
git clone https://github.com/Nota-NetsPresso/ModelZoo-YOLOFastest-for-ARM-U55-M85.git
cd .ModelZoo-YOLOFastest-for-ARM-U55-M85
pip install -r requirements.txt

2. 解決版本兼容性問題

• 該倉庫建議 torch >= 1.11, < 2.0。
• 如果使用 torch 1.x，需降級 NumPy 防止報錯：pip install "numpy<2"
• RTX 4060 顯卡建議安裝 CUDA 11.7 對應(yīng)的 torch 版本：

  pip uninstall -y torch torchvision
  pip install torch==1.13.1+cu117 torchvision==0.14.1+cu117 --index-url https://download.pytorch.org/whl/cu117
  

2.3 執(zhí)行訓(xùn)練

D:gesture_ai.venvScriptspython.exe train.py 
  --data D:gesture_aihagrid_ok_palm_1data_ok_palm.yaml 
  --cfg .modelsyolo-fastest.yaml 
  --weights "" 
  --imgsz 192 
  --batch-size 64 
  --epochs 200 
  --device 0 
  --workers 4 
  --project D:gesture_airuns 
  --name ok_palm_192 
  --exist-ok 
  --noplots

訓(xùn)練完成后得到 best.pt。

常見問題：DataLoader worker exited unexpectedly

解決方法：將 --workers 設(shè)為 0 并續(xù)訓(xùn)。

D:gesture_ai.venvScriptspython.exe train.py 
  --resume D:gesture_airunsok_palm_192weightslast.pt 
  --epochs 200 
  --workers 0 
  ...

3. 模型導(dǎo)出 (ONNX)

RUHMI 支持導(dǎo)入 ONNX，因此我們需要將 PyTorch 模型導(dǎo)出為 ONNX 格式。需要保留兩路 head 輸出給板端處理。

注意 ：必須在倉庫根目錄下運行導(dǎo)出腳本，否則會報 ModuleNotFoundError: No module named 'models'。

3.1 創(chuàng)建導(dǎo)出腳本 export_onnx_heads.py

在倉庫根目錄新建文件 export_onnx_heads.py，代碼如下：

import torch
import torch.nn as nn

CKPT = r"D:gesture_ai
unsok_palm_192weightsest.pt"
OUT  = r"D:gesture_aiok_palm_192_heads.onnx"

ck = torch.load(CKPT, map_location="cpu")
model = ck["model"].float().eval()

class HeadWrapper(nn.Module):
    def __init__(self, m):
        super().__init__()
        self.m = m

    def forward(self, x):
        y, feats = self.m(x)
        # feats[0] - > (1,3,12,12,7)
        # feats[1] - > (1,3,6,6,7)
        return feats[0], feats[1]

w = HeadWrapper(model)
dummy = torch.zeros(1, 3, 192, 192)

torch.onnx.export(
    w,
    dummy,
    OUT,
    input_names=["images"],
    output_names=["p4_12x12", "p5_6x6"],
    opset_version=13,
    do_constant_folding=False,
)

print("saved:", OUT)

3.2 運行導(dǎo)出

D:gesture_ai.venvScriptspython.exe .export_onnx_heads.py

正常導(dǎo)出的 ONNX 文件大小約為 1MB 左右。

4. RUHMI 模型轉(zhuǎn)換 (AI Navigator)

參考關(guān)于RA生態(tài)工作室的視頻號回放：

啟動 RUHMI AI Navigator 進(jìn)行轉(zhuǎn)換。

4.1 準(zhǔn)備校準(zhǔn)數(shù)據(jù)集 (Calibration Dataset)

用于 INT8 量化校準(zhǔn)。建議從訓(xùn)練集中隨機(jī)抽取 200 張圖片。

PowerShell 隨機(jī)抽取腳本：

$src = "D:gesture_aihagrid_ok_palm_1images	rain"
$dst = "D:gesture_aicalib_ok_palm_200"
mkdir $dst -Force | Out-Null
Get-ChildItem $src -File | Get-Random -Count 200 | Copy-Item -Destination $dst

在 AI Navigator 中選擇該目錄作為 Calibration dataset。

4.2 設(shè)置 Mean / Std (重要)

由于訓(xùn)練時只做了 x/255 歸一化，板端輸入必須匹配。

推薦設(shè)置（板端輸入 0..1 float） ：

• Mean : 0, 0, 0
• Std : 1, 1, 1 (如果在板端沒做 /255，這里要設(shè)為 255)

注意 ：不要使用 mean=127.5, std=127.5，那是 -1..1 的歸一化方式。

4.3 檢查轉(zhuǎn)換輸出

轉(zhuǎn)換成功后，關(guān)鍵生成的源文件位于 buildMCUcompilationsrc：

• model.c/.h
• sub_xxxx_model_data.c/.h
• sub_xxxx_invoke.c/.h
• ...

5. 部署到工程：CPU 版本

目標(biāo)：將 CPU-only 產(chǎn)物集成到 RT-Thread 工程，驗證前處理與解碼邏輯。

5.1 文件集成

將 RUHMI 生成的 compilationsrc 下的文件復(fù)制到工程目錄 src/models/：

• compute_sub_0000.c
• model.c
• kernel_library_int.c
• kernel_library_utils.c

5.2 編譯配置 (SConscript)

修改 src/models/SConscript，加入剛復(fù)制的源文件：

src = [
    os.path.join(cwd, 'model.c'),
    os.path.join(cwd, 'compute_sub_0000.c'),
    os.path.join(cwd, 'kernel_library_int.c'),
    os.path.join(cwd, 'kernel_library_utils.c'),
]

5.3 關(guān)鍵代碼修改

1. 輸入前處理對齊

修改 src/hal_entry.c，確保輸入轉(zhuǎn)為 0..1 (float)：

const float inv255 = 1.0f / 255.0f;
dst[0 * plane_size + pixel_idx] = (float)r * inv255;
dst[1 * plane_size + pixel_idx] = (float)g * inv255;
dst[2 * plane_size + pixel_idx] = (float)b * inv255;

2. 后處理解碼 (YOLOv5公式)

修改 src/yolo/yolo_rtthread.c，使用 YOLOv5 的解碼公式替代傳統(tǒng) Darknet 公式：

float stride_pix = (float)INPUT_W / (float)grid;
float cx = (sigmoid(tx) * 2.0f - 0.5f + j) * stride_pix;
float cy = (sigmoid(ty) * 2.0f - 0.5f + i) * stride_pix;
float ww = (sigmoid(tw) * 2.0f); ww = ww * ww * anchor_w;
float hh = (sigmoid(th) * 2.0f); hh = hh * hh * anchor_h;

3. 調(diào)試顯示優(yōu)化

建議在 LCD 顯示分類文本、置信度，并用不同顏***分 OK/PALM。

6. 部署到工程：NPU (Ethos-U55) 版本

目標(biāo)：啟用 NPU 加速。RUHMI 針對 NPU 通常生成“三段式”代碼：前處理(CPU) -> NPU推理 -> 后處理(CPU)。

6.1 文件集成

RUHMI NPU 版輸出包含 sub_0001 (NPU) 等部分。需復(fù)制以下文件到 src/models/：

• compute_sub_0000.c (CPU 前處理)
• compute_sub_0002.c (CPU 后處理)
• sub_0001_*.c (NPU 相關(guān)：command strteam, weights, invoke)
• model.c, ethosu_common.h 等

6.2 編譯配置

修改 SConscript，加入所有新文件：

src = [
    os.path.join(cwd, 'model.c'),
    os.path.join(cwd, 'compute_sub_0000.c'),
    os.path.join(cwd, 'compute_sub_0002.c'),
    os.path.join(cwd, 'sub_0001_command_stream.c'),
    os.path.join(cwd, 'sub_0001_invoke.c'),
    os.path.join(cwd, 'sub_0001_model_data.c'), 
    os.path.join(cwd, 'sub_0001_tensors.c'),
    # ... 其他依賴庫
]

6.3 關(guān)鍵點：NPU 內(nèi)存配置 (Arena)

1. Arena 放入 OSPI RAM
修改 sub_0001_invoke.c，將 arena 數(shù)組放到 OSPI 段，避免占用寶貴的內(nèi)部 SRAM：

__attribute__((aligned(16), section(".ospi1_cs0_noinit"))) uint8_t sub_0001_arena[...];

2. 輸入數(shù)據(jù)寫入 Arena
NPU 的輸入通常直接映射到 Arena 的起始位置（offset 0）。
修改 model.c， 直接將量化后的數(shù)據(jù)寫入 Arena ，而不是臨時 buffer：

// 獲取 NPU 輸入在 Arena 中的地址
int8_t* npu_in = (int8_t*)(sub_0001_arena + sub_0001_address_images_...);
// 執(zhí)行前處理，直接輸出到 npu_in
compute_sub_0000(compute_arena_sub_0000, buf_images, npu_in);

3. Cache 維護(hù) (非常重要)
在調(diào)用 NPU 前后必須維護(hù) D-Cache，否則 NPU 讀不到最新數(shù)據(jù)或 CPU 讀不到 NPU 的輸出。

// Invoke 前：Clean (將 CPU 寫的數(shù)據(jù)刷入 RAM)
SCB_CleanDCache_by_Addr(sub_0001_arena, sizeof(sub_0001_arena));

// Invoke
sub_0001_invoke(...);

// Invoke 后：Invalidate (讓 CPU 重新從 RAM 讀取)
SCB_InvalidateDCache_by_Addr(sub_0001_arena, sizeof(sub_0001_arena));

6.4 調(diào)試建議

1. 驗證 NPU 是否工作 ：打印輸入和輸出的 hash 值或 min/max 值。如果輸入變了但輸出 hash 不變，說明 NPU 沒運行或 invoke 失敗。
2. 調(diào)整閾值 ：初期將 CONF_THRESH 設(shè)低（如 0.2），觀察 max_sig，確認(rèn)有檢測結(jié)果后再調(diào)高。

審核編輯 黃宇