So bauen Sie ein LiteRT-Python-Wheel für den AXC F2152

Letzten Monat kündigte Google ein Rebranding/Umbenennung von TensorFlow Lite in LiteRT an (Link zum Artikel). Es wird nun Teil ihres überarbeiteten Versuchs sein, mit Google AI Edge im Edge-Berechnungsparadigma relevant zu bleiben.

Ich hatte TensorFlow Lite (zusammen mit Numpy und OpenCV) bereits über eine App für Bildungszwecke im PLCnext Store verfügbar gemacht (Link zur App). Allerdings schränkt die App die Nutzung der vorgefertigten Lösung ein, selbst wenn sie etwas völlig anderes ausprobieren oder andere Bibliotheken einbinden möchten.

In Anbetracht der Tatsache, dass ich kürzlich die App aktualisiert habe und mein Wissen über die Vorgehensweise auffrischen musste, habe ich beschlossen, diesen Beitrag zu erstellen und zu erklären, wie man TensorFlow Lite Runtime für den AXC F 2152 kreuzkompiliert.

Der laufende Prozess im letzten Schritt kann recht kompliziert erscheinen, da die öffentlich verfügbaren Bibliotheken keine direkte Unterstützung für die Prozessorarchitektur des AXC F 2152 bieten und daher eine Kreuzkompilierung erforderlich ist.

HINWEIS :Dieses Verfahren wurde getestet am:

• Ein virtualisiertes UBUNTU 22.04-Terminal.
• Die virtuelle Maschine verfügt über 27 GB RAM und eine weitere Auslagerungsdatei mit 16 GB RAM [höchst relevant für den Cross-Compilation-Prozess] und läuft mit 24 Kernen.
• Eine Hostmaschine mit 32 GB RAM und einem Core i7-12850HX-Prozessor.

HINWEIS 2 :Die Menge an RAM ermöglicht es, die Cross-Kompilierung stabil zu halten und so schnell wie möglich auszuführen. Ein Setup mit weniger RAM ist möglicherweise nicht in der Lage, den Cross-Compilation-Prozess auszuführen, oder es kann zu lange dauern (nach meiner eigenen Erfahrung bis zu einigen Stunden).

1. Laden Sie den Quellcode von TensorFLow von der Version herunter, die Sie kompilieren möchten. https://github.com/tensorflow/tensorflow/releases/
2. Extrahieren Sie den Inhalt in einen Ordner Ihrer Wahl. Ich werde in den nächsten Einträgen unten „myfolder“ verwenden.
3. Navigieren Sie zu „Makefile“. " in "/myfolder/tensorflow-2.XX.0/tensorflow/lite/tools/pip_package/Makefile " und ändern Sie das Basis-Image, die Python-Version und die Numpy-Version so, dass sie denen Ihres Systems entsprechen. Beispiel:

1. navigieren Sie zu „downloadtoolchains.sh " befindet sich in "/myfolder/tensorflow-2.XX.0/tensorflow/lite/tools/cmake/download_toolchains.sh " und ändern Sie die Flags, die standardmäßig für armh vorhanden sind, wie hier gezeigt:

1. Führen Sie im TensorFlow-Ordner (/myfolder/tensorflow-2.XX.0) den Befehl aus:„make -C tensorflow/lite/tools/pip_package docker-build \ TENSORFLOW_TARGET=armhf PYTHON_VERSION=3.10 "

2. ACHTUNG:Der Vorgang des vorherigen Schritts kann viel Zeit in Anspruch nehmen. Seien Sie daher geduldig.

3. Nachdem der Vorgang abgeschlossen ist, nehmen Sie das Python-Rad von „tensorflow-2.XX.0/tensorflow/lite/tools/pip_package/gen/tflite_pip/python3.10/dist“. " auf Ihren Controller und installieren Sie es mit pip.

HINWEIS :Meiner Erfahrung nach funktioniert der Prozess für Python 3.9, 3.10 und 3.11 sowie für die Versionen 2.14 bis 2.16.2. Versionen über Version 2.17 weisen jedoch einen Fehler auf. Ich habe ein offenes Problem im GitHub-Repository von TensorFlow, das hier verfolgt werden kann. Ich hoffe, dass das Problem in weiteren Versionen behoben werden kann.

Hinweis:

Der Makers Blog zeigt Anwendungen und User Stories von Community-Mitgliedern, die nicht von Phoenix Contact getestet oder überprüft wurden. Die Nutzung erfolgt auf eigene Gefahr.