開源硬件邊緣語音識別

描述

介紹

在這個項目中，我圍繞一個訓練識別單詞left 、right 、up和down的模型構建了一個應用程序。它所做的只是捕獲和處理音頻，將其輸入 TensorFlow Lite 模型，然后在 OLED 顯示器上顯示輸出。我將介紹如何使用 i.MXR1010 評估套件在邊緣設置和進行機器學習。

設置開發環境

任何機器學習和嵌入式電子項目都需要許多硬件和軟件才能使用。我正在使用 MacOS 進行開發。由于 Nvidia GPU 不支持 MacOS，所以我使用 Linux 桌面進行訓練和模型生成。

安裝 MCUExpresso IDE

?

下載 SDK 后，我們需要將下載的包拖放到 MCUExpresso IDE Installed SDKs區域，如下所示（紅色框）。

?

我們可以從 Quickstart Panel > New Project 創建一個新項目，它會顯示一個向導，我們可以在其中選擇 IMXRT1010 作為開發板。我們可以使用此向導配置所需的驅動程序/組件，如下所示。添加/刪除驅動程序和其他組件可以在此期間完成。發展。由于我們將使用 TensorFlow C++ 庫，所以我選擇了C++ Project 。

?

為微控制器安裝 TensorFlow Lite

用于微控制器的 TensorFlow Lite 能夠生成包含所有必要源文件的獨立項目。我的 MCUXpresso IDE 工作區位于 ~/Documents/MCUXpressoIDE_11.1.0/workspace/。您可能需要根據您的目錄結構更改路徑。我們還需要制作3.82 或更高版本。MacOS Catalina 上捆綁的make版本為 3.81。我們可以使用安裝所需的版本

brew install make

并且可以使用gmake命令運行它。

cd ~

git clone https://github.com/tensorflow/tensorflow.git

cd tensorflow

gmake -f tensorflow/lite/micro/tools/make/Makefile generate_projects

cp -r tensorflow/lite/micro/tools/make/gen/osx_x86_64/prj/micro_speech/make/* ~/Documents/MCUXpressoIDE_11.1.0/workspace/IMXRT1010_Speech_Recognition/source

復制后，我們將擁有 TensorFlow C++ 庫以及其他一些用于音頻處理的第三方庫。我們需要使用Quickstart Panel > Edit Project Settings > C/C++ build > Settings > MCU C++ Compiler > Includes為不屬于 SDK 的庫（在下面的屏幕截圖中突出顯示）設置包含路徑。

?

應用程序將捕獲的音頻數據保存在運行時創建的緩沖區中，因此我們需要將默認堆大?。▋H 2KB）調整為 14 KB。此外，一些緩沖區數據需要是不可緩存的。我們可以利用 i.MXRT1010 的FlexRAM功能。堆棧/堆大小和不可緩存數據可以使用Quickstart Panel > Edit Project Settings > C/C++ build > Settings > MCU C++ Linker > Managed Linker Script進行配置。

?

i.MXRT1010 具有有限的 128 KB 內存，分為 32 KB 庫。由于內存溢出，編譯失敗。

section `.heap' will not fit in region `SRAM_DTC'
arm-none-eabi/bin/ld: region `SRAM_DTC' overflowed by 15920 bytes

Memory region  Used Size Region Size %age Used
BOARD_FLASH:   215432 B  16 MB       1.28%
SRAM_DTC:      48688 B   32 KB       148.58%
SRAM_ITC:      0 GB      32 KB       0.00%
SRAM_OC:       0 GB      32 KB       0.00%
NCACHE_REGION: 4748 B    32 KB       14.49%

多虧了FlexRAM ，我們可以使用下面的代碼配置變量聲明以選擇內存庫。__DATA(RAM3)用于告訴編譯器將大約 16 KB 的變量g_audio_capture_buffer保存到 FlexRAM 的 OCRAM 部分 (SRAM_OC) 中。

__DATA(RAM3) int16_t g_audio_capture_buffer[kAudioCaptureBufferSize];

編譯后，我們可以在下面看到內存分配的編譯器輸出。

Memory region  Used Size Region Size %age Used
BOARD_FLASH:   231432 B   16 MB      1.38%
SRAM_DTC:      32688 B    32 KB      99.76%
SRAM_ITC:      0 GB       32 KB      0.00%
SRAM_OC:       16000 B    32 KB      48.83%
NCACHE_REGION: 4748 B     32 KB      14.49%

訓練數據集和模型生成

我們使用的模型是使用 TensorFlow Simple Audio Recognition 腳本訓練的，這是一個示例腳本，旨在演示如何使用 TensorFlow 構建和訓練音頻識別模型。該模型在帶有 eGPU（Nvidia 1080 Ti）的 Linux 桌面上進行了訓練，其中包含“上”、“下”、“左”、“右”四個詞。數據集中的其他詞被用作“未知”。將創建的模型轉換為 TensorFlow Lite 模型，并將轉換后的模型轉換為 C 數組文件，以便與推理代碼一起部署。TensorFlow Lite Micro SDK 用于在設備上運行推理。卷積神經網絡用于模型創建。

設備端推理

使用帶有增強型直接內存訪問 (eDMA) 控制器的同步音頻接口 (SAI) 捕獲音頻。該過程首先為給定的時間片生成快速傅立葉變換 (FFT)，在本例中為 30 ms 的捕獲音頻數據。TensorFlow Lite 模型不接收原始音頻樣本數據。相反，它適用于頻譜圖，頻譜圖是由頻率信息切片組成的二維數組，每個切片取自不同的時間窗口。我們可以將頻譜圖視為輸入模型進行推理的圖像數據。OLED 顯示器通過 I2C 連接到 i.MXRT1010 EVK。The預測的單詞顯示在 OLED 顯示屏上。

構建和調試

可以分別使用 MCUExpresso IDE Quickstart Panel > Build和Quickstart Panel > Debug來構建和調試項目。使用菜單ConfigTools > Pins將 UART 引腳配置為在調試期間重定向打印。

?

在 MacOS 上可以使用以下命令查看調試打?。?/font>

screen /dev/cu.usbmodem14202 115200