「NE100」是超星未來(lái)基于自研計(jì)算芯片「驚蟄R1」和全流程開發(fā)工具鏈「魯班」打造的智能計(jì)算平臺(tái)開發(fā)套件，包括完備的推理環(huán)境。其中魯班工具鏈以 docker 形式提供，完整包括剪枝、量化、編譯工具以及相應(yīng)實(shí)例。NE100 配套完整，開箱即用，無(wú)需繁瑣的安裝過(guò)程。

下面以目標(biāo)檢測(cè)模型 YOLOv5 為例，展示部署過(guò)程。

注：開發(fā)環(huán)境為Linux 系統(tǒng)的 PC 或服務(wù)器，神經(jīng)網(wǎng)絡(luò)需要導(dǎo)出為 ONNX 格式文件。

可通過(guò)標(biāo)準(zhǔn)命令加載工具鏈 docker 文件：

gunzip -c nova_development_kit.tar.gz | sudo docker load

參考用戶手冊(cè)中示例腳本啟動(dòng)容器，進(jìn)入開發(fā)環(huán)境。

基于原始模型導(dǎo)出 ONNX 文件時(shí)，請(qǐng)確保網(wǎng)絡(luò)已經(jīng)處于推理模式，并且計(jì)算圖的輸入節(jié)點(diǎn)為首個(gè) CONV 算子的輸入(格式[1,C,H,W])，輸出節(jié)點(diǎn)為最后一個(gè)（組）CONV 算子的輸出，詳細(xì)信息請(qǐng)參考用戶手冊(cè)。

#1模型量化與編譯

1個(gè)API，5行代碼，輕松完成

量化工具以 ONNX 文件和部分圖片為輸入，將神經(jīng)網(wǎng)絡(luò)從 FP32 量化為 INT8 精度，目前支持 PTQ 與 QAT 功能。僅需在代碼中將量化和編譯工具導(dǎo)入并通過(guò) API 調(diào)用，即可對(duì) ONNX 模型完成量化和編譯，分別只需要1個(gè) API 和5行代碼。詳細(xì)的 API 說(shuō)明請(qǐng)參考用戶手冊(cè)。

1. 導(dǎo)入量化工具

from nquantizer import run_quantizer

2. 調(diào)用量化工具

quant_model = run_quantizer( 
    onnx_model,
    dataloader=val_loader,
    num_batches=200,
    output_dir=work_dir + "/quantizer_output",
    input_vars=input_vars,
) 

3. 導(dǎo)入編譯工具

from ncompiler import run_compiler

4. 調(diào)用編譯工具

run_compiler(
    input_dir=work_dir + "/quantizer_output",
    output_dir=work_dir + "/compiler_output",
    enable_simulator=True,
    enable_profiler=True,
)

編譯后 compiler_output 目錄中的 npu.param（模型結(jié)構(gòu)描述文件）和 npu.bin（模型權(quán)重文件）是 NE100 部署時(shí)所需要的文件。

#2模型部署

接口簡(jiǎn)潔，功能豐富，快速調(diào)用NPU

為了實(shí)現(xiàn) 驚蟄R1 芯片多核 NPU 的簡(jiǎn)單高效推理與應(yīng)用開發(fā)，超星未來(lái)基于 NCNN 推理框架增量開發(fā)運(yùn)行時(shí)，并提供高性能加速庫(kù)，滿足異構(gòu)推理的端到端優(yōu)化需求。

運(yùn)行時(shí)特別設(shè)計(jì)了 npumat, npunet 和 npuextractor 等組件，功能如下：

npumat：提供NPU使用的數(shù)據(jù)排布格式HWC，提高數(shù)據(jù)存儲(chǔ)讀取性能

npunet：提供模型不變信息的基礎(chǔ)數(shù)據(jù)結(jié)構(gòu)，支持核心綁定、優(yōu)先級(jí)調(diào)度、數(shù)據(jù)導(dǎo)出、性能監(jiān)測(cè)等功能

npuextractor：提供NPU推理所需的set_input, get_output, get_time、extract等基本功能

YOLOv5 推理中前后處理部分與主流平臺(tái)上的代碼一致，應(yīng)用遷移時(shí)僅需更換 NPU 的推理代碼，包括：

1. 初始化幀數(shù)據(jù)結(jié)構(gòu)

2. 加載網(wǎng)絡(luò)結(jié)構(gòu)描述文件與網(wǎng)絡(luò)權(quán)重文件，并且配置核心綁定、數(shù)據(jù)導(dǎo)出及性能監(jiān)測(cè)等功能

3. 基于加載的模型文件和前處理后的幀數(shù)據(jù)進(jìn)行推理，提取結(jié)果用于后處理

#3模型推理

架構(gòu)高效，能耗出色，助力AI應(yīng)用落地

推理代碼經(jīng)過(guò)編譯后運(yùn)行，即可得到如下推理結(jié)果：

得益于超星未來(lái)自研平湖架構(gòu)的高效設(shè)計(jì)，YOLOv5 等主流網(wǎng)絡(luò)的算力利用率均超過(guò) 70%，同時(shí)芯片整體功耗可控制在 8W 左右，有效支持各類邊緣端 AI 應(yīng)用部署。