Einführung

In diesem Beitrag wollen wir die Schritte 1-4 des Workflows durchführen.

Vorbereitung - Umgebung aufsetzen

Erstellt einen neuen Ordner „AI/siemens_coral“ und kopiert den Ordner „image_classification“ in den neu erstellten Ordner.

Öffnen des Projektordners

Startet nun Visual Studio Code. Folgt der „Get Started“ Seite, wenn Ihr VS Code personalisieren wollt oder schließt diese.

Über die Tastenkombination STRG + K + O oder über File -> Open Folder. Navigiert nun zum Ordner „image_classification“ und wählt diesen mit einem einfachen Mausklick aus und wählt „Open“

Im dann folgenden Dialog sollte „Yes, I trust the authors“ ausgewählt werden.

Installieren der benötigten Pakete

Öffnet in VS Code ein Terminal

Erstellt eine virtuelle Umgebung mit dem Name „siemens_coral“.

Öffnet die Datei „image_classification/requirements.txt“ und überschreibt den Inhalt mit dieser Konfiguration und speichert die Datei mit STR + S nach dem Einfügen.

-> Get started with the M.2 or Mini PCIe Accelerator | Coral

Also führen wir den folgenden Befehl in unserer virtuellen Umgebung zur Installation von PyCoral aus:

Konvertieren des Models für den Google Coral

In diesem Abschnitt soll das Script für die Anpassung auf 8-bit erstellt werden.

Dazu wechseln wir zunächst in den letzten Abschnitt „Convert model to TensorFlow lite“ des Notebooks „notebooks/20-TrainClassificationModel.ipynb“ und modifizieren den Code, wie hier beschrieben.

Mit STR + S speichern wir die Änderung ab.

Weitere Beispiele für das Neu-Trainieren von Neuronalen Netzen sind hier zu finden

-> Colab tutorials for Coral

Trainieren und Speichern des Modells

Das Ziel dieses Schrittes ist es ein MobileNetV1 auf SIMATIC Komponenten anzupassen und abzuspeichern. Dazu führen wir die im Folgenden beschriebenen beiden Notebooks aus.

Wählt zunächst bei jedem Notebook das virtuelle Environment aus, welches im ersten Schritt dieser Anleitung erstellt wurde, falls dies noch nicht automatisch geschehen ist.

Wählt nun das erste Notebook „10-ObtainExampleDataSet.ipynb“ aus, um den Bilddatensatz herunterzuladen. Wählt hierzu die Schaltfläche „Run All“

Bei dem ersten Start installiert VS Code automatisch den benötigten Runtime Kernel für euch. Achtet nur darauf, dass auch die vorher erstellte virtuelle Umgebung „Python 3.8.XX (`siemens_coral`)“ ausgewählt ist. Ist dies nicht der Fall ändert diese über „Change Interpreter“

Als nächstes wird das Netzwerk trainiert. Führt dazu „20-TrainClassificationModel.ipynb“ aus

Sollte alles erfolgreich verlaufen sein, befindet sich im Ordner „models“ das fertig trainierte Modell.

Kompilieren des Models in ein Google Coral Edge TPU Model

Nun liegt das MobileNetV1 im tfliteFormat im Ordner „models“ vor. Mit dem eingangs installierten Compiler kann es nun in ein auf dem Google Coral ausführbares Neuronales Netz konvertiert werden. Hierzu geben wir den folgenden Befehl ein. Dieser konvertiert das Modell „models/classification_mobilnet.tflite“ und speichert das Ergebnis wieder im Ordner „models“ ab. Der Befehl setzt sich wie folgt zusammen:

• Mit der Flag „-m 13“ geben wir dem Compiler die Anweisung die ältere Version 13 als Zielversion zu nutzen. Dies ist für die angepeilte Runtime-Version relevant, da diese größer oder gleich sein muss. Die hier genutzte Industrial OS Version 2.4.0 beinhaltet die Runtime-Version 13.
• Die Flag -o gibt den Ausgabepfad des konvertierten Netzwerks an
• models/classification_mobilnet.tflite ist die zu konvertierende Datei.

edgetpu_compiler -m 13 -o models models/classification_mobilnet.tflite

Hinweis
Die in diesem Beitrag beschriebene Vorgehensweise bezieht sich auf den Zeitpunkt der Erstellung dieses Beitrags (Stand:April 2023).
Bei Unklarheiten wenden Sie sich bitte an die Siemens Fachberatung.

Viele Grüße
Eure Fachberatung Deutschland (TH)