乐鑫工程部署过程记录

一、获取编译环境

1、下载sdk,ESP-IDF

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
这里有很多发布版本,当前我选择的是4.4.6,可以选择下载压缩包,也可以git直接clone
在这里插入图片描述

2、配置编译环境

我选择的是Linux Ubuntu下部署开发环境

查看入门指南
在这里插入图片描述
选择对应的芯片,我选择是esp32-c2
在这里插入图片描述
快速入门
在这里插入图片描述
查看在Linux创建工程
在这里插入图片描述

3、编译工程遇到的问题

1) 问题一

在这里插入图片描述
这个问题是Python的版本太低的问题,
在这里插入图片描述
我看了下,我的默认的是
在这里插入图片描述
切换默认的Python版本,目前默认使用的是2.7版本
在这里插入图片描述
修改为3.8

sudo ln -s python3.8 python

在这里插入图片描述

2)问题二

不支持 esp32c2
在这里插入图片描述
换成5.1.1的版本可以支持了
ESP-IDF Release v5.1.1
在这里插入图片描述


ESP-IDF 编程指南

### 如何在乐鑫ESP芯片上部署AI模型 #### 使用 `esp-tflite-micro` 部署 TensorFlow Lite 模型 为了加速 AI 推理,可以在 ESP 设备上利用 `esp-tflite-micro` 组件。此组件中的 `esp-nn` 已经使用 PIE (Pre Instruction Execution) 技术优化了一些算子,这有助于减少推理所需的时间[^1]。 ```cpp #include "tensorflow/lite/micro/all_ops_resolver.h" #include "tensorflow/lite/micro/micro_interpreter.h" // 加载并初始化TensorFlow Lite模型 const tflite::MicroModel model_data; tflite::MicroInterpreter interpreter(model_data, resolver); // 准备输入张量 TfLiteTensor* input_tensor = interpreter.input(0); for(int i=0; i<input_size; ++i){ input_tensor->data.f[i]=input_values[i]; } // 运行推断 interpreter.Invoke(); // 获取输出结果 TfLiteTensor* output_tensor = interpreter.output(0); float result=output_tensor->data.f[0]; ``` 这段代码展示了如何加载一个预训练好的 TensorFlow Lite 模型,并准备相应的输入数据来进行预测操作。需要注意的是,在实际应用中还需要考虑内存分配等问题。 #### 利用 `esp-dl` 构建自定义神经网络层 对于更复杂的场景,则可能需要用到更为灵活的工具——`esp-dl` 库。它提供了一系列针对嵌入式系统的高度优化过的函数用于创建卷积层(Conv2D),池化层(Pool2D), 宝石乘法(Gemm)以及其他常见操作。 ```c #include "dl_lib.h" // 创建一个新的Convolutional Layer实例 conv_layer_t conv_layer; // 初始化配置参数... init_conv_layer(&conv_layer,...); // 执行前向传播计算 forward_conv_layer(&conv_layer,input_buffer,output_buffer); ``` 这里给出的例子说明了怎样设置和调用一个简单的二维卷积层。当然也可以组合多个这样的基础模块来自定义整个深度学习架构。 #### 整合语音识别功能至项目内 如果目标是实现语音交互类的应用程序的话,那么还可以借助于专门为此目的而设计的软件包如 `esp-skainet` 来快速搭建起具备关键词检测等功能的产品原型[^3]。 ```c++ #include "esp_skainet.h" // 注册唤醒词引擎句柄 skainet_wakeup_handle_t wakeup_engine_hdl; // 设置回调函数处理接收到的声音片段 void on_audio_frame_received(const char *frame,int length){...} wakeup_engine_hdl=create_wake_word_engine(on_audio_frame_received); ``` 上述示例介绍了注册唤醒词监听器的过程,一旦麦克风捕捉到了指定的关键短语就会触发对应的事件响应逻辑。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值