Ctrl+K
main
Branches
dev
main
External links
K210 CanMV
K210 CanMV Docs
K230 Docs
K230 CanMV Docs

2. 开发基础

2. 开发基础 #

本章帮助用户熟悉K230软件开发的基础底层工具，对K230_SDK和nncase进行简单介绍，帮助用户熟悉SDK环境搭建、镜像编译烧录、kmodel转换的过程。

2.1 K230 SDK#

2.1.1. K230 SDK 简介#

K230 SDK 是面向K230 开发板的软件开发包，包含了基于Linux&RT-smart 双核异构系统开发需要用到的源代码，工具链和其他相关资源。源码地址：kendryte/k230_sdk: (github.com) 或 kendryte/k230_sdk: (gitee.com)。

SDK

K230 SDK软件架构层次如图所示：

K230 SDK软件架构层次

2.1.2. 配置软件开发环境#

K230 SDK需要在Linux环境下编译，推荐使用Ubuntu Linux 20.04。

如需使用windows环境编译，建议使用WSL2 + Docker环境。

获取docker编译镜像 推荐在docker环境中编译K230 SDK，可直接使用如下docker镜像：

docker pull ghcr.io/kendryte/k230_sdk

可使用如下命令确认docker镜像拉取成功：

docker images | grep k230_sdk

说明： docker镜像中默认不包含toolchain，下载源码后，使用命令’make prepare_sourcecode’会自动下载toolchain至当前编译目录中。

如果不使用docker编译环境，而是希望使用原生Linux进行编译，可参考tools/docker/Dockerfile，安装相应的工具至您的Linux系统中即可。

如下载速度较慢或无法成功，可使用tools/docker/Dockerfile自行编译docker image，详情请参考K230 SDK使用说明: (github.com) 或 K230 SDK使用说明: (gitee.com)

2.1.3. 编译K230 SDK #

2.1.3.1. 下载K230 SDK源码#

git clone https://github.com/kendryte/k230_sdk
# 或执行git clone https://gitee.com/kendryte/k230_sdk.git
cd k230_sdk
make prepare_sourcecode

make prepare_sourcecode 会自动下载Linux和RT-Smart toolchain, buildroot package, AI package等. 请确保该命令执行成功并没有Error产生，下载时间和速度以实际网速为准。

2.1.3.2. Linux+RT-Smart双系统镜像编译#

以docker镜像编译为例：

  1. 确认当前目录为k230_sdk源码根目录，

  2. 使用如下命令进入docker

docker run -u root -it -v $(pwd):$(pwd) -v $(pwd)/toolchain:/opt/toolchain -w $(pwd) ghcr.io/kendryte/k230_sdk /bin/bash
make CONF=k230_canmv_defconfig

编译产物在k230_canmv_defconfig/images中：

k230_canmv_defconfig/images
├── big-core
├── little-core
├── sysimage-sdcard.img    # SD和emmc非安全启动镜像
└── sysimage-sdcard.img.gz # SD和emmc的非安全启动镜像压缩包

TF卡和eMMC均可使用sysimage-sdcard.img镜像,或使用sysimage-sdcard.img.gz解压缩得到该文件。

2.1.3.3 纯RT-Smart单系统镜像编译#

以docker镜像编译为例：

  1. 确认当前目录为k230_sdk源码根目录，

  2. 使用如下命令进入docker

docker run -u root -it -v $(pwd):$(pwd) -v $(pwd)/toolchain:/opt/toolchain -w $(pwd) ghcr.io/kendryte/k230_sdk /bin/bash
make CONF=k230_canmv_only_rtt_defconfig

编译产物在k230_canmv_only_rtt_defconfig/images中：

k230_canmv_only_rtt_defconfig/images
├── big-core
├── sysimage-sdcard.img    # SD和emmc非安全启动镜像
└── sysimage-sdcard.img.gz # SD和emmc的非安全启动镜像压缩包

TF卡和eMMC均可使用sysimage-sdcard.img镜像,或使用sysimage-sdcard.img.gz解压缩得到该文件。

2.1.3.4. 预编译镜像下载#

如果不希望自行编译镜像，可下载预编译镜像，直接烧录使用

  1. main branch: Github默认分支，作为release分支，编译release镜像自动发布至Release页面.(从v1.4版本开始支持)

  2. 预编译release镜像：请访问嘉楠开发者社区, 然后在K230/Images分类中，下载所需的镜像文件，evb设备下载k230_evb*.img.gz, canmv设备下载k230_canmv*.img.gz。

  3. 开发者社区仅支持Linux+RT-Smart双系统镜像下载，纯RT-Smart单系统镜像请按照上述步骤自行编译。

下载的镜像默认为.gz压缩格式，需先解压缩，然后再烧录。 K230 micropython: (github.com)和K230 micropython: (gitee.com)镜像所支持的功能与K230 SDK并不相同。

2.1.3.5. 镜像烧录#

Linux:

在TF卡插到宿主机之前，输入：

ls -l /dev/sd\*

查看当前的存储设备。

将TF卡插入宿主机后，再次输入：

ls -l /dev/sd\*

查看此时的存储设备，新增加的就是TF卡设备节点。

假设/dev/sdc就是TF卡设备节点，执行如下命令烧录TF卡：

sudo dd if=sysimage-sdcard.img of=/dev/sdc bs=1M oflag=sync

Windows:

Windows下可通过rufus工具对TF卡进行烧录，rufus工具下载地址。

1）将TF卡插入PC，然后启动rufus工具，点击工具界面的”选择”按钮，选择待烧写的固件。

rufus-flash-from-file

2）点击“开始”按钮开始烧写，烧写过程有进度条展示，烧写结束后会提示“准备就绪”。

rufus-flash

rufus-sure

rufus-warning

rufus_finish

2.2. nncase简介#

2.2.1. nncase介绍#

nncase是面向 AI 加速器的神经网络编译器，用于为 Kendryte系列芯片生成推理所需要的模型文件 .kmodel，并提供模型推理所需要的 runtime lib。

本教程主要包括以下内容：

  1. 使用 nncase完成模型编译，生成 kmodel。

  2. 在PC和开发板上执行 kmodel推理。

2.2.2. 模型编译和模拟器推理#

2.2.2.1. 安装nncase工具链#

nncase工具链包括 nncase和 nncase-kpu插件包，两者均需正确安装才可以编译出CanMV-K230所支持的模型文件。nncase和 nncase-kpu插件包均在nncase github release发布，并且依赖dotnet-7.0。

  • Linux平台可以直接使用pip进行 nncase和 nncase-kpu插件包在线安装，Ubuntu环境下可使用 apt安装 dotnet。

    pip install --upgrade pip
pip install nncase
pip install nncase-kpu
# nncase-2.x need dotnet-7
sudo apt-get update
sudo apt-get install -y dotnet-sdk-7.0

    Tips：如果使用官方提供的CanMV镜像，必须检查SDK中nncase的版本和使用pip安装的nncase版本是否一致。

  • Windows平台仅支持nncase在线安装，nncase-kpu需要在nncase github release手动下载安装。

  • 用户若没有Ubuntu环境, 可使用 nncase docker(Ubuntu 20.04 + Python 3.8 + dotnet-7.0)

    cd /path/to/nncase_sdk
docker pull ghcr.io/kendryte/k230_sdk
docker run -it --rm -v `pwd`:/mnt -w /mnt ghcr.io/kendryte/k230_sdk /bin/bash -c "/  bin/bash"

    Tips：目前仅支持py3.6-3.10，如果pip安装失败请检查pip对应的Python版本。

2.2.2.2. 环境配置#

使用pip安装软件包后,需将安装路径添加到PATH环境变量中。

export PATH=$PATH:/path/to/python/site-packages/

2.2.2.3. 原始模型说明#

nncase目前支持 tflite、onnx格式的模型，更多格式的支持还在进行中。

Tips：

  1. 对于TensorFlow的pb模型,请参考官方文档将其转换为tflite格式。注意不要设置量化选项,直接输出浮点模型即可。如果模型中存在quantize和dequantize算子,则属于量化模型，目前不支持。

  2. 对于PyTorch的pth等格式模型,需使用torch.export.onnx接口导出onnx格式。

2.2.2.4. 编译参数说明#

进行模型编译前,您需要了解以下关键信息:

  1. KPU推理使用定点运算。因此在编译模型时,必须配置量化相关参数,用于将模型从浮点转换为定点。详见 nncase文档中的PTQTensorOptions说明。

  2. nncase支持将前处理层集成到模型中，这可以减少推理时的前处理开销。相关参数和示意图见 nncase文档的CompileOptions部分。

2.2.2.5. 编译脚本说明#

本Jupyter notebook：(github.com)或Jupyter notebook：(gitee.com)分步骤详细描述了使用nncase编译、推理kmodel的流程，notebook内容涵盖:

  • 参数配置:介绍如何正确配置编译参数,以满足实际部署需求；

  • 获取模型信息:说明从原始模型中获取网络结构、层信息等关键数据的方法；

  • 设置校正集数据:阐述如何准备好校正集样本数据，包括单输入和多输入模型两种情况，以用于量化校准过程；

  • 设置推理数据格式:讲解推理部署时如何配置输入数据，支持不同需求场景；

  • 配置多输入模型:介绍处理多输入模型时,如何正确设置每个输入的形状、数据格式等信息；

  • PC模拟器推理:说明如何在PC上利用模拟器推理kmodel，这是验证编译效果的关键步骤；

  • 比较推理结果:通过与不同框架(TensorFlow、PyTorch等)的推理结果比较,验证kmodel的正确性；

    以上步骤系统地介绍了模型编译的全流程,既适合初学者从零开始学习,也可作为经验丰富用户的参考指南。

目录