Классификация категорий изображений при помощи глубокого обучения

В этом примере показано, как создать, скомпилировать и развернуть dlhdl.Workflow объект с alexnet в качестве сетевого объекта при помощи пакета поддержки Deep Learning HDL Toolbox™ для Xilinx FPGA и SoC. Используйте MATLAB ®, чтобы получить результаты предсказания с целевого устройства. Alexnet является предварительно обученной сверточной нейронной сетью, которая была обучена на более чем миллионе изображений и может классифицировать изображения в 1000 категорий объектов (таких как клавиатура, кофе, кружка, карандаш и многие животные). Можно также использовать VGG-19 и Darknet-19 в качестве сетевых объектов.

Необходимые условия

  • Набор для разработки Xilinx ZCU102 SoC

  • Пакет поддержки Deep Learning HDL Toolbox™ для Xilinx FPGA и SoC

  • Модель Deep Learning Toolbox™ для Alexnet

  • Deep Learning Toolbox™

  • Deep Learning HDL Toolbox™

Загрузка предварительно обученной последовательной сети

Чтобы загрузить предварительно обученную сеть серии alexnet, введите:

snet = alexnet;

Для загрузки предварительно обученной сети серии vg19 введите:

% snet = vgg19;

Чтобы загрузить предварительно обученную сеть серии darknet19, введите:

% snet = darknet19;

Чтобы просмотреть слои предварительно обученной последовательной сети, введите:

analyzeNetwork(snet)
% The saved network contains 25 layers including input, convolution, ReLU, cross channel normalization,
% max pool, fully connected, and the softmax output layers.

Создайте целевой объект

Используйте dlhdl.Target Класс создать целевой объект с пользовательским именем для целевого устройства и интерфейсом для подключения целевого устройства к хосту-компьютеру. Опции интерфейса JTAG и Ethernet. Чтобы использовать JTAG, Установите Xilinx™ Vivado™ Design Suite 2019.2. Чтобы задать траекторию инструмента Xilinx Vivado, введите:

% hdlsetuptoolpath('ToolName', 'Xilinx Vivado', 'ToolPath', 'C:\Xilinx\Vivado\2019.2\bin\vivado.bat');
hTarget = dlhdl.Target('Xilinx','Interface','Ethernet');

Создайте объект рабочий процесс

Используйте dlhdl.Workflow класс, чтобы создать объект. Когда вы создаете объект, задайте сеть и имя битового потока. Укажите сохраненную предварительно обученную нейронную сеть alexnet в качестве сети. Убедитесь, что имя битового потока соответствует типу данных и плате FPGA, на которую вы нацелены. В этом примере целевой платой FPGA является плата Xilinx ZCU102 SoC. Битовый поток использует один тип данных.

hW = dlhdl.Workflow('Network', snet, 'Bitstream', 'zcu102_single','Target',hTarget);

Скомпилируйте сеть серии Alexnet

Чтобы скомпилировать сеть серии Alexnet, запустите метод компиляции dlhdl.Workflow объект. Вы можете опционально задать максимальное количество входных кадров.

dn = hW.compile('InputFrameNumberLimit',15)
          offset_name          offset_address     allocated_space 
    _______________________    ______________    _________________

    "InputDataOffset"           "0x00000000"     "12.0 MB"        
    "OutputResultOffset"        "0x00c00000"     "4.0 MB"         
    "SystemBufferOffset"        "0x01000000"     "28.0 MB"        
    "InstructionDataOffset"     "0x02c00000"     "4.0 MB"         
    "ConvWeightDataOffset"      "0x03000000"     "16.0 MB"        
    "FCWeightDataOffset"        "0x04000000"     "224.0 MB"       
    "EndOffset"                 "0x12000000"     "Total: 288.0 MB"
dn = struct with fields:
       Operators: [1×1 struct]
    LayerConfigs: [1×1 struct]
      NetConfigs: [1×1 struct]

Программа Bitstream на FPGA и загрузка сетевых весов

Чтобы развернуть сеть на оборудовании Xilinx ZCU102, запустите функцию развертывания dlhdl.Workflow объект. Эта функция использует выход функции компиляции, чтобы запрограммировать плату FPGA с помощью файла программирования. Он также загружает веса и смещения сети. Функция развертывания начинает программировать устройство FPGA, отображает сообщения о прогрессе и времени развертывания сети.

hW.deploy
### FPGA bitstream programming has been skipped as the same bitstream is already loaded on the target FPGA.
### Deep learning network programming has been skipped as the same network is already loaded on the target FPGA.

Загрузка изображения для предсказания

Загрузите пример изображения.

imgFile = 'espressomaker.jpg';
inputImg = imresize(imread(imgFile), [227,227]);
imshow(inputImg)

Запуск предсказания для одного изображения

Выполните метод предсказания на dlhdl.Workflow Объект и затем отобразите метку в командном окне MATLAB.

[prediction, speed] = hW.predict(single(inputImg),'Profile','on');
### Finished writing input activations.
### Running single input activations.
              Deep Learning Processor Profiler Performance Results

                   LastLayerLatency(cycles)   LastLayerLatency(seconds)       FramesNum      Total Latency     Frames/s
                         -------------             -------------              ---------        ---------       ---------
Network                   33531964                  0.15242                       1           33531979              6.6
    conv_module            8965629                  0.04075 
        conv1              1396567                  0.00635 
        norm1               622836                  0.00283 
        pool1               226593                  0.00103 
        conv2              3409730                  0.01550 
        norm2               378491                  0.00172 
        pool2               233223                  0.00106 
        conv3              1139273                  0.00518 
        conv4               892869                  0.00406 
        conv5               615895                  0.00280 
        pool5                50267                  0.00023 
    fc_module             24566335                  0.11167 
        fc6               15819119                  0.07191 
        fc7                7030644                  0.03196 
        fc8                1716570                  0.00780 
 * The clock frequency of the DL processor is: 220MHz
[val, idx] = max(prediction);
snet.Layers(end).ClassNames{idx}
ans = 
'espresso maker'

Запуск предсказания для нескольких изображений

Загрузите несколько изображений и получите их предсказание reults с помощью функции поддержки многофазного кадра. Для получения дополнительной информации см. раздел Поддержка нескольких систем координат.

The demoOnImage функция загружает несколько изображений и извлекает их результаты предсказания. The annotateresults функция отображает результат предсказания изображения поверх изображений, которые собраны в массив 3 на 5.

imshow(inputImg)

 demoOnImage; 
### Finished writing input activations.
### Running single input activations.
FPGA PREDICTION: envelope 
FPGA PREDICTION: file 
FPGA PREDICTION: folding chair 
FPGA PREDICTION: mixing bowl 
FPGA PREDICTION: toilet seat 
FPGA PREDICTION: dining table 
FPGA PREDICTION: envelope 
FPGA PREDICTION: espresso maker 
FPGA PREDICTION: computer keyboard 
FPGA PREDICTION: monitor 
FPGA PREDICTION: mouse 
FPGA PREDICTION: ballpoint 
FPGA PREDICTION: letter opener 
FPGA PREDICTION: analog clock 
FPGA PREDICTION: ashcan 

Для просмотра документации необходимо авторизоваться на сайте