作者：Arm 物聯(lián)網(wǎng)事業(yè)部主任軟件工程師兼技術推廣工程師

Sandeep Mistry

TinyML 是機器學習 (ML) 的一個分支，專注于將 ML 模型部署到低功耗、資源受限的物聯(lián)網(wǎng) (IoT) 設備上。在物聯(lián)網(wǎng)設備上部署 ML 模型有諸多好處，包括減少延遲和保護隱私性，因為所有數(shù)據(jù)都是在端側(cè)處理。TinyML 在 2019 年引起了人們的關注，當時，Google 的 TensorFlow 團隊發(fā)布了適用于微控制器的 TensorFlow Lite (TFLM) 庫 ^[1] 。

最初的用例和 TFLM 示例側(cè)重于在基于 Arm Cortex-M4 ^[2] 的開發(fā)板（例如 Arduino Nano 33 BLE Sense ^[3] 和 SparkFun Edge ^[4] ）上運行量化的 8 位關鍵詞檢測 ^[5] 和人員檢測 ^[6] 模型。這些示例利用 Cortex-M4 CPU 的 SMLAD ^[7] 指令對模型所需的乘加 (MAC) 運算執(zhí)行端側(cè) ML 推理。

上表總結了 Arduino Nano 33 BLE Sense 上兩種模型的 MAC 數(shù)量、RAM 和閃存要求以及推理延遲。

配備 Arm Ethos-U55 NPU 的現(xiàn)代微控制器能夠運行最初為移動端應用開發(fā)的復雜模型。Ethos-U55 NPU 支持 44 個 TensorFlow Lite 算子 ^[8] 的位精確輸出，并且可配置為每個周期執(zhí)行 32、64、128 或 256 次 MAC 運算。本文將通過在配備 Ethos-U55 NPU 的現(xiàn)代微控制器上運行兩個 TinyML 應用來展示 NPU 的性能優(yōu)勢。我們將分別在采用和不采用 Ethos-U55 NPU 的微控制器上運行應用中所使用的 ML 模型，以此對推理延遲進行基準測試。

TinyML 應用被部署到 Seeed Studio 的 Grove Vision AI Module V2 ^[9] 開發(fā)板上，該開發(fā)板基于 Himax WiseEye2 HX6538 微控制器并集成了 16 MB 的外部閃存。Himax WiseEye2 HX6538 ^[10] 微控制器搭載了 Cortex-M55 CPU 和 Ethos-U55 NPU，運行頻率均為 400 MHz，且?guī)в?512 KB 緊耦合存儲器 (TCM) 和 2 MB SRAM。

圖：Seeed Studio Grove Vision AI Module V2 開發(fā)板

該開發(fā)板上有一個 15 引腳相機串行接口 (CSI)，連接至 Himax WiseEye2 HX6538 MCU，可與基于 OmniVision OV5647 的相機模塊一起使用。開發(fā)板上運行的應用可以從相機模塊 ^[11] 實時采集分辨率為 160x120、320x240 或 640x480 像素的 RGB 圖像。

將 2.8 寸的 TFT 彩色液晶屏和 3.7 伏的鋰聚合物 (LiPo) 電池連接到開發(fā)板上，便能打造出一款便攜式的電池供電設備。

部署到開發(fā)板上的兩個基于計算機視覺的應用將會持續(xù)：

第一個應用將使用兩個 ML 模型來檢測臉上的關鍵特征點，第二個應用則使用 ML 模型來檢測人體姿態(tài)中的關鍵特征點。

這兩個應用都將用到 TFLM 庫和 Ethos-U 自定義算子 ^[12] ，以便將 ML 運算卸載到 NPU 中。應用中所用的量化 8 位 TensorFlow Lite 模型必須使用 Arm 的 vela ^[13] 編譯器進行編譯。vela 編譯器將 NPU 支持的運算轉(zhuǎn)換為 Ethos-U 自定義算子，使其可分派到 NPU 進行高效執(zhí)行。任何不受 NPU 支持的運算都將保持原樣并退回到 CPU 上運行。

左為 8 位量化 TensorFlow Lite 模型圖，右為經(jīng) vela 編譯的 8 位量化 TensorFlow Lite 模型圖 （點擊圖片，查看全圖）

該應用從相機模塊采集 320x240 圖像，然后估算人臉上的 468 個關鍵特征點。對于那些需要識別熟悉面孔、監(jiān)測注意力、識別情緒或執(zhí)行醫(yī)療診斷的用例來說，該應用可以用作特征提取層。其采用了兩個 ML 模型，首先是使用 Google MediaPipe BlazeFace（短程）模型 ^[14] 來識別圖像中面部的位置。檢測到人臉后，繼而使用 Google MediaPipe Face Mesh 模型 ^[15] 來識別圖像中最大的那個人臉的 468 個關鍵特征點。

MediaPipe BlazeFace（短程）模型需要將一張 RGB 128x128 圖像作為輸入，且每次推理要執(zhí)行 3,100 萬次 MAC 運算。利用 Katsuya Hyodo 的 PINTO_model_zoo GitHub 資源庫 ^[16] ，可得到 TensorFlow Lite 格式的 BlazeFace（短程）模型的 8 位量化版本。

上表總結了對 RAM 和閃存的要求，并將單獨使用 Cortex-M55 CPU 與同時使用 Cortex-M55 CPU 和 Ethos-U55 NPU 所對應的推理延遲進行了比較，結果顯示 Ethos-U55 NPU 將推理速度提高了 109 倍！

MediaPipe Face Mesh 模型需要將一張 RGB 192x192 的臉部裁剪圖像（填充率為 25%）作為輸入，且每次推理要執(zhí)行 3,680 萬次 MAC 運算。從 GitHub ^[17] 下載該模型的 16 位浮點版本，并使用 tflite2tensorflow ^[18] 工具將其轉(zhuǎn)換為 8 位量化模型。

上表總結了對 RAM 和閃存的要求，并將單獨使用 Cortex-M55 CPU 與同時使用 Cortex-M55 CPU 和 Ethos-U55 NPU 所對應的推理延遲進行了比較，結果顯示 Ethos-U55 NPU 將推理速度提高了 103 倍。

將 ML 計算卸載到 Ethos-U55，可使該應用每秒執(zhí)行 10 次以上的推理。如果將其部署到 Cortex-M55 CPU，在臉部可見的情況下，該應用只能每八秒執(zhí)行一次推理。

該應用從相機模塊采集 320x240 圖像，然后為圖像中檢測到的每個人估計人體姿態(tài)的 17 個關鍵特征點。該應用可以用作那些需要檢測跌倒或運動的應用的特征提取層，或作為人機界面的輸入。

該模型使用 Ultralytic YOLOv8 GitHub 資源庫的 DeGirum 分支 ^[19] ，通過一張 256x256 的 RGB 圖像輸入，導出為一個 8 位量化 TensorFlow Lite 模型。對 DeGirum 進行修改可以讓導出的模型更好地針對微控制器進行優(yōu)化，這是通過刪除轉(zhuǎn)置運算并分離模型的七個輸出來實現(xiàn)的，旨在提高量化的準確性。該模型每次推理需要進行 7.28 億次 MAC 運算。

上表總結了對 RAM 和閃存的要求，并將單獨使用 Cortex-M55 CPU 與同時使用 Cortex-M55 CPU 和 Ethos-U55 NPU 所對應的推理延遲進行了比較，結果顯示 Ethos-U55 NPU 將推理速度提高了 611 倍！將 ML 計算卸載到 Ethos-U55，可使該應用每秒執(zhí)行 10 次以上的推理。如果將其部署到 Cortex-M55 CPU，該應用只能每 62 秒執(zhí)行一次推理。推理延遲的縮短使得應用能夠更快地對人們的動作做出反應。

本文演示了為移動端應用開發(fā)的 ML 模型，它們每次推理需要進行千萬到數(shù)億次 MAC 運算，可部署到配備 Ethos-U55 NPU 的現(xiàn)代微控制器上。與 TFLM 庫中所含的示例應用相比，這些 ML 模型對 MAC 運算、RAM 和閃存的要求更高。使用 NPU 可以讓應用在一秒內(nèi)執(zhí)行多次推理，而如果沒有 NPU，則每隔幾秒或一分鐘內(nèi)只能執(zhí)行一次推理。因此，使用 NPU 對于應用來說非常有利，使其能夠運行一個或多個相比初始 tinyML 應用中所使用的模型更為復雜的 ML 模型，而且能夠?qū)χ車h(huán)境做出更快的反應。