先决条件

此示例使用的ARM计算库版本可能不是代码生成支持的最新版本。有关支持的库版本和有关设置环境变量的信息，请参阅万博1manbetx使用MATLAB编码器进行深入学习的先决条件．

这个例子不支持MATLAB在线。万博1manbetx

本例使用DAG网络MobileNet-v2来使用ARM®计算库执行图像分类。针对MATLAB的预先训练的MobileNet-v2网络可在MobileNet-v2网络支持包的深度学习工具箱模型中获得。万博1manbetx

当你使用ARM计算库和硬件支持包生成代码时，万博1manbetx编码基因在主机上生成代码，将生成的文件复制到目标硬件，并在目标硬件上构建可执行文件。

配置的代码生成美孚公司函数

这个美孚公司函数在输入图像上调用MobileNet-v2网络对象的预测方法，并返回预测得分输出。的函数调用coder.updateBuildInfo为生成的生成文件指定链接选项。

类型美孚公司

函数out=mobilenet_predict（in）persistent net；opencv_linkflags='`pkg config--cflags--libs opencv`'；coder.updateBuildInfo（'addLinkFlags'，opencv_linkflags'）；如果isempty（net）net=coder.loadDeepLearningNetwork（'mobilenetv2'，mobilenet'）；end out=net.predict（in）；end

创建一个c++代码生成配置对象。

cfg=coder.config(“exe”)；cfg.TargetLang=“C++”；

指定ARM计算库的使用。ARM计算库为树莓派硬件提供了优化的功能。要生成使用ARM计算库的代码，创建一个ARMNEONConfig编码器对象。指定Raspberry Pi上安装的ARM计算库的版本和Raspberry Pi的体系结构。将深度学习配置对象附加到代码生成配置对象。

dlcfg=coder.DeepLearningConfig(“arm-compute”)；s万博1manbetxupportedVersions=dlcfg.GetArmComputesSupportedVersions；dlcfg.ArmaArchitecture=v7的；dlcfg.ArmComputeVersion='19.05'；cfg。DeepLearningConfig = dlcfg;

创建到Raspberry Pi的连接

使用MATLAB支持包实现树莓万博1manbetx派硬件功能raspi要创建到Raspberry Pi的连接，请在此代码中替换：

r=拉斯皮(“raspiname”,“用户名”,“密码”）;

为Raspberry Pi配置代码生成硬件参数

创建一个编码器.硬件对象，并将其附加到代码生成配置对象。

hw = coder.hardware (“覆盆子皮”）;cfg。硬件= hw;

在树莓派上指定一个构建文件夹:

buildDir =“~/remoteBuildDir”；cfg.Hardware.BuildDir=BuildDir；

提供一个c++主文件

指定主文件main_mobilenet.cpp在代码生成配置对象中。的文件调用生成的c++代码美孚公司函数。该文件读取输入图像，将数据传递给生成的函数调用，检索图像上的预测，并将预测分数打印到文件中。

cfg。CustomSource =“main_mobilenet.cpp”；

生成树莓派上的可执行程序

生成C++代码。编码基因通过Raspberry PI硬件万博1manbetx的MATLAB支持包，可执行文件构建在Raspberry PI上。

对于代码生成，必须设置环境变量ARM_COMPUTELIB和图书馆路径在树莓派上。

编码基因-配置cfg美孚公司-args{(224、224、3,“单”)}报告

获取生成的可执行文件夹

要在树莓派上测试生成的代码，请将输入图像复制到生成的代码文件夹中。您可以手动找到此文件夹或使用raspi.utils.getRemoteBuildDirectory此函数列出使用生成的二进制文件的文件夹编码基因．假设二进制文件只在一个文件夹中找到，输入:

ApplicationDirpath=raspi.utils.getRemoteBuildDirectory(“applicationName”,“mobilenet_predict”)；targetDirPath=ApplicationDirPath{1}.目录；

将示例文件复制到Raspberry Pi

要复制运行可执行程序所需的文件，请使用putFile．

r、 putFile(“peppers\u raspi\u mobilenet.png”，targetDirPath）；

在树莓派上运行可执行程序

在MATLAB的树莓派上运行可执行程序，并将输出直接返回到MATLAB。

爱克斯名称=“mobilenet_predict.elf”；Argsforex=“peppers_raspi_mobilenet.png”；%提供输入图像;命令=[“cd”targetDirPath‘sudo’exeName argsforexe]；输出=系统（r，命令）；

获取网络1000个输出类的预测分数

outputfile=[targetDirPath，“/output.txt”]；r.getFile（outputfile）；

将预测分数映射到标签并显示输出

将前五名预测分数映射到训练网络中的相应标签，并显示输出。

类型mapPredictedScores\u mobilenet

%%将预测分数映射到标签并显示输出net = mobilenetv2;一会= net.Layers .ClassNames(结束);%%读取分类fid = fopen('output.txt');S = textscan (fid, ' % S ');文件关闭(fid);S = S{1};@(x)str2double(x)， S);%%删除字符串NaN值predict_scores(isnan(predict_scores))=[];[val,indx] = sort(predict_scores， '下降');成绩=瓦尔(1:5)* 100; top5labels = ClassNames(indx(1:5)); %% Display classification labels on the image im = imread('peppers_raspi_mobilenet.png'); im = imresize(im, [224 224]); outputImage = zeros(224,400,3, 'uint8'); for k = 1:3 outputImage(:,177:end,k) = im(:,:,k); end scol = 1; srow = 1; outputImage = insertText(outputImage, [scol, srow], 'Classification with MobileNetv2', 'TextColor', 'w','FontSize',20, 'BoxColor', 'black'); srow = srow + 30; for k = 1:5 outputImage = insertText(outputImage, [scol, srow], [top5labels{k},' ',num2str(scores(k), '%2.2f'),'%'], 'TextColor', 'w','FontSize',15, 'BoxColor', 'black'); srow = srow + 25; end imshow(outputImage);