瑞薩RZ/V2L預訓練的人工智能模型

RZ/V2L MPU配備Cortex-A55 (1.2 GHz) CPU，內置AI加速器“DRP-AI”，以提供更好的機器視覺處理性能，這是瑞薩的獨創技術?！癉RP-AI”由DRP和AI-MAC組成。它還配備一個16位的DDR3L/DDR4接口，具備內置Arm Mali-G31的3D圖形引擎和視頻編解碼器（H.264）。

DRP-AI的卓越功率效率使其無需采取散熱措施（如散熱器或冷卻風扇）。人工智能不僅可以在消費類電子產品和工業設備中經濟高效實施，還可以在零售點（POS）終端等廣泛的應用中實施。此外，DRP-AI還提供實時人工智能推理和圖像處理功能，具有支持攝像頭所必需的功能，如顏色校正和降噪。這使得客戶無需外部圖像信號處理器（ISP），即可實施基于人工智能的視覺應用。

RZ/V2L還與RZ/G2L封裝和引腳兼容。這使得RZ/G2L用戶可輕松升級至RZ/V2L，以獲得額外的人工智能功能，而無需修改系統配置，從而保持低遷移成本。

點擊可查看大圖

今天我們為大家介紹RZ/V2L的另外一個預訓練的人工智能模型——植物葉片病害分類模型，它可對38種不同的植物葉病/健康狀況進行分類。所開發的模型能夠從14種不同植物中識別出38種不同類型的植物病害。

它有3種運行模式，讓您根據不同場景靈活轉換。

1

從MIPI接口攝像頭輸入

2

從圖片文件輸入

3

從一個視頻文件輸入

示例運行效果

分類結果、推理時間（毫秒）、得分（%）顯示在左上角 每秒幀數（FPS）顯示在右上角

軟硬件需求

示例應用程序的編譯

這是一個可選步驟，如果直接運行預編譯好的程序可以跳過此步驟。

在編譯之前請參考此處確保RZ/V2L AI SDK已經準備就緒。

1

從github復制代碼到本地

建議將代碼復制到docker容器的data目錄中

cd 
git clone https://github.com/renesas-rz/rzv_ai_sdk.git

2

啟動docker

docker start -i rzv2l_ai_sdk_container

3

為rzv2l_ai_sdk_container掛載 data目錄

export PROJECT_PATH=/drp-ai_tvm/data/

4

進入示例源碼目錄

cd ${PROJECT_PATH}/rzv_ai_sdk/Q07_plant_disease_classification/src/

5

編譯源碼

mkdir -p build && cd build
cmake -DCMAKE_TOOLCHAIN_FILE=./toolchain/runtime.cmake ..
make -j$(nproc)

應用程序plant_leaf_disease_classify應該會出現在 src/build目錄中

應用程序部署

將以下文件復制到SD卡的/home/root/tvm目錄下

● 示例exe目錄中的所有文件

●?如果應用有修改，則需要從src/build目錄拷貝plant_leaf_disease_classify

運行示例應用程序

當輸入為MIPI Coral攝像頭時：

cd /home/root/tvm
./plant_leaf_disease_classify CAMERA

當使用靜態圖片作為輸入時：

cd /home/root/tvm
./plant_leaf_disease_classify IMAGE sampleimg.jpg

當使用視頻作為輸入時：

cd /home/root/tvm
./plant_leaf_disease_classify VIDEO plantvid.mp4

終止示例應用程序

按esc鍵退出應用程序

數據集new-plant-diseases-dataset

復制鏈接到瀏覽器中打開：

https://www.kaggle.com/datasets/vipoooool/new-plant-diseases-dataset

該數據集由約87K幅健康和患病作物葉片的rgb圖像組成，分為38個不同的類。整個數據集按80/20的比例分為訓練集和驗證集，并創建了一個包含33幅測試圖像測試集。

AI推理時間

AI推理總時間（預處理+AI模型推理）- 110 ms

審核編輯：黃飛