1、序言

HaaS 即 Hardware as a Service, 它是加速AIoT开发者创新的一个积木平台。

Python轻应用是跑在HaaS积木平台上的一套应用框架。他是基于MicroPython进行开发，继承了python优美简介的语法，同时提供了便捷的嵌入式硬件操作库。

HaaS100作为阿里云智能IoT团队推出的一款 IoT 开发板，它适配了MicroPython的运行引擎, 提供了各种丰富的硬件操作接口，同时提供阿里云物联网平台和云端AI相关的能力。

本文将介绍怎么基于Python轻应用框架, 来实现图像分类功能。

2、方案

2.1、总体思路

方案涉及主要涉及Minicv，Alibaba Cloud SDK 等功能模块.

MiniCV 是一套轻量级视觉框架，支持数据获取，图像处理，图像编解码，视频编解码，机器学习，UI呈现。

Alibaba Cloud SDK是阿里达摩院视觉智能开放平台的端上的引覆盖人脸、人体、视频、文字等150+场景。

关于视觉视觉智能平台的详细信息可以参考官网：https://vision.aliyun.com/

数据处理流程为：

通过MiniCV模块，完成数据源的封装处理，图片的解码，图片数据的格式转换和缩放等功能，最后将处理好的数据喂给ML 模块，ML 模块通过Alibaba Cloud SDK引擎和达摩院的视觉开放智能平台进行交互，得到预期结果.

由于HaaS100的板子默认没有配置LCD, 所以为了方便开发者使用，通过打印LOG 的方式将结果输出.

2.2、具备功能

检测图像中的物体。可识别90类物体，例如：人体、椅子、篮球、摩托车、旗帜、斑马等。

2.3、效果呈现

测试资源图片："/data/python-apps/ml/object-detect/res/test.jpg"

输出结果：

# -------------------Welcome HaasAI MicroPython--------------------
 
-----ml ucloud ObjectDet demo start-----
 
object num:4
 
Object Detect type: flower
 
Object Detect type: flower
 
Object Detect type: plants pot/vase
 
Object Detect type: laptop
 
 
 
bytearray(b'\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00')
 
-----ml ucloud ObjectDet demo end-----

3、图像分类技术介绍

3.1、常见机器视觉技术

图像分类、目标定位、目标检测、实例分割是机器视觉中最常用的技术，其中，图像分类技术是其他几种技术的基础。

3.2、常见图像分类算法介绍

AlexNet(ILSVRC-2012)：AlexNet 是LeNet的更深、更宽版本，深度达到了8层。推动卷积神经网络的普及。AlexNet首次在CNN中成功应用了RELU、Dropout和LRN等激活函数
ZF Net(ILSVRC-2013)：是调整过架构超参数的AlexNet改进型。
VGGNet(ILSVRC-2014亚军)：展示了网络的深度是良好表现的关键因素，VGG网络深度达到了19层。自此，深度学习模型的分类准确率已经达到了人类的水平(5%~10%)。
GoogleNet(ILSVRC-2014)：其主要贡献是研发了Inception Module，大幅减少了网络中的参数数量（四百万，相比AlexNet的六千万）， Inception-v1同时也被称为googleNet，在后续几年中，google也相继提出了性能更好的Inception-v2和Inception-V3。
ResNet(ILSVRC-2015) 引入在在训练时更容易收敛的残差网络，网络深度达到了152，更高的精度。
Trimps-Soushen(ILSVRC-2016)：以Top-5 2.99%的准确率获得冠军
SENet(ILSVRC-2017)：以Top-5 2.25%的准确率获得冠军，SENet的卷积操作融合了空间和特征通道信息。

3.2.1、ImageNet系列算法

从AlexNet到RestNet，网络深度不断增加，识别准确率得到了大幅提高，下图是基于ImageNet数据集top5错误率

3.2.2、MobileNet

Google于2017年提出了更轻量的MobileNet-V1，并在后续几年提出了性能更好的MobileNet-V2， MobileNet-3； MobileNet在目标检测、细粒度分类、人脸属性和大规模地理定位等方面都体现出了非常好的实践效果，在详细介绍MobileNet之前，先对比一下GoogleNet，ResNet，MobileNet的算力开销。

3.2.3、MobileNet-V1

创新点1：使用深度可分离卷积，在低精度损失情况下有效减少了参数数量和算力开销

设定DF为特征图尺寸，DK为卷积核尺寸，M为输入通道数，N为输出通道数。
传统卷积计算量为： DF∗DF∗DK∗DK∗M∗N
深度可分离卷积计算量为： DK∗DK∗M∗DF∗DF+1∗1∗M∗N∗DF∗DF

创新点2：使用了relu6作为激活函数

创新点3：增加两个超参数，称为Width Multiplier (α 超参数)和 Resolution Multiplier(ρ 超参数)

3.2.4、MobileNet-V2

创新点1：引入了残差网络，使得训练时候更容易收敛
创新点2：在进行depthwise之前先进行1x1的卷积增加feature map的通道数，实现feature maps的扩张，提升了精度，但是增加了一定的计算量。pointwise结束之后弃用RELU6激活函数，改用Linear激活函数，来防止RELU对特征的破坏

相对于MobileNet-V1 28层的网络深度，MobileNet-V2的网络深度达到了54层，延时也低了很多

3.2.5、MobileNet-V3

对V2输出层的改造：
将平均池化层提前。在使用1×1卷积进行扩张后，就紧接池化层-激活函数，最后使用1×1的卷积进行输出，通过这一改变，能减少10ms的延迟，提高了15%的运算速度，且几乎没有任何精度损失。

准确率和计算速度都高于MobileNet-V2，延时也不断下降

4、Demo体验

4.1、代码下载和编译

参考《HaaS100快速开始》下载，编译，烧录，AliOS Things代码.(解决方案选择：py_engine_demo)

烧录完成，启动设备，通过串口输入:

（命令中的 ssid password 是开发者自己工作环境的wifi 用户名和密码）

python /data/python-apps/wifi/main.py ssid  password
 
python /data/python-apps/ml/object-detect/main.py

4.2、示例代码

from minicv import ML
 
print("-------------------Welcome HaasAI MicroPython--------------------")
 
 
 
print("-----ml ucloud ObjectDet demo start-----")
 
#下面的这几个xxx 账号值，是阿里云官网系统按照4.3涨价的设备端配置一步步得到的，详细步骤参考4.3章节
 
OSS_ACCESS_KEY = "xxxx"    #"Your-Access-Key"
 
OSS_ACCESS_SECRET = "xxxx" #"Your-Access-Secret"
 
OSS_ENDPOINT = "xxxx"      #"Your-OSS-Endpoint"
 
OSS_BUCKET = "xxxx"        #"Your-OSS-Bucket"
 
 
 
ml = ML()
 
ml.open(ml.ML_ENGINE_CLOUD)
 
ml.config(OSS_ACCESS_KEY, OSS_ACCESS_SECRET, OSS_ENDPOINT, OSS_BUCKET, "NULL")
 
ml.setInputData("/data/python-apps/ml/object-detect/res/test.jpg")
 
ml.loadNet("ObjectDet")
 
ml.predict()
 
responses_value = bytearray(10)
 
ml.getPredictResponses(responses_value)
 
print(responses_value)
 
ml.unLoadNet()
 
ml.close()
 
print("-----ml ucloud ObjectDet demo end-----")