Skip to main content
Version: Current

三、核心神经网络推理引擎（taRuntime）

3.1 taRuntime 概述​

关于网络模型的工作大致可以分为模型导入阶段和运行时（Runtime）阶段，本文档主要讨论运行时阶段，也就是与在板端执行推理有关的问题。

taRuntime 是 EA65xx 芯片 SDK 的一个重要组成模块，它在板端提供了一组 C 语言编程接口（API），用于支持板端应用程序基于 EA65xx NPU 硬件完成网络模型推理任务。

为了帮助您理解和使用 taRuntime 模块的接口，本章就一些重要概念和工作原理进行说明。由于篇幅限制，本章只重点讲解与接口设计和使用相关的内容，对于通识性的概念将不做展开说明。

taRuntime 提供的接口功能覆盖：

  • 网络模型加载
  • 模型信息提取
  • 输入输出配置
  • 执行模型推理

3.2 关于 Buffer Pool​

如前所述，对于 NPU 推理而言，不论输入图像是 CPU 虚拟地址还是物理地址都需要映射成 NPU 虚拟地址才能被 NPU 使用，而映射过程总是要有一定开销的。

Pool/VB 机制​

SDK 的媒体驱动（tasys）提供了一套 Pool/VB 机制（Video Buffer Pool），通过循环复用 Pool 中提供的 VB（Video Frame Buffer）可以减少内存分配和地址映射的次数，从而降低软件延迟。

工作原理​

  • taRuntime 接口内部维护了一个查找表
  • 当外部提供图像的方式为物理地址时，接口内部首先试图从查找表获取对应的 NPU 虚拟地址
  • 只有查表失败时才会发起地址映射操作
  • 当外部提供的物理地址源于 Pool/VB 机制时，查表成功的概率极大，可以显著压缩地址管理开销

3.3 关于前处理​

前处理定义​

前处理（Pre-processing）指的是在执行模型推理之前，对输入数据（图像）进行以下操作，使其符合网络模型第一层对数据格式的要求：

  • 缩放（Resize）
  • 裁切（Crop）
  • 颜色空间变换（Color Space Conversion）
  • 存储格式和精度格式变换

前处理方案​

硬件加速方案：

  • SDK 提供的 taCV 和 taOpenCV 模块提供了丰富的接口，支持大多数常见的前处理需求
  • 比如，taCV 模块提供基于芯片硬件单元完成的缩放、裁切、颜色空间变换等操作

软件处理方案：

  • 对于某些芯片硬件单元不支持的操作，其算子是基于 CPU 算力实现
  • 以 RGB24 图像转 INT8 张量格式为例，涉及像素位置重排和减 offset 操作，在 taOpenCV 中这类算子基于 CPU 算力实现，耗时较长

优化建议​

模型移植优化：

建议在模型移植阶段就把这类算子合并到网络模型中，推理时利用 NPU 算力完成处理。

PPU 单元利用：

  • EA65xx 芯片的 NPU 配属了 PPU（Pre-processing Unit）单元
  • PPU 提供了一定的算子可编程能力
  • 原厂可以基于 PPU 硬件开发新的算子并通过 taCV 模块暴露给用户使用

⚠️ 注意：

  • NPU 单元与 PPU 单元只能分时工作，使用 PPU 算子会占用 NPU 算力。

3.4 关于后处理​

后处理定义​

后处理（Post-processing）一般是指对 NPU 输出的推理结果进行过滤从而获得最终结果。

典型后处理任务​

以 YOLO 系列模型为例，典型的后处理任务包括：

  1. 从上万个待处理结果中去除冗余的检测框
  2. 删除置信度过低的检测框
  3. 对幸存结果进行排序获得 top-k 个候选框
  4. 根据预设的阈值筛选出最终的检测框
  5. 将类别索引 ID 映射回人类可理解的类别标签

后处理实现方式​

CPU 处理原因：

  • 涉及大量的复杂逻辑处理，运算性质不利于硬件实现
  • 算法更新迭代速度快，后处理需求经常变化

推荐方案：

  • 后处理步骤主要借助 CPU 算力完成
  • taOpenCV 提供了丰富的专用算子
  • 用户可以利用 taOpenCV 接口实现大部分后处理操作

3.5 关于多进程多线程​

本模块的接口支持在多个进程、多个线程中调用，具体工作逻辑如下：

进程工作流程​

对于一个进程来说，其工作流程可以分成三个阶段：

  1. 初始化阶段
  2. 推理阶段
  3. 反初始化阶段

一般做法是在推理阶段创建多个工作线程，每个线程负责一路视频流的推理。

多进程支持​

当存在多个进程时：

  • 为了避免在进程间协调接口调用时序，SDK 允许每个进程都独立地调用初始化和反初始化接口
  • 实际上只有一次调用会实际生效（触发硬件初始化/反初始化流程）
  • 其它无效的调用会被忽略，但不返回错误

多线程任务管理​

在一个进程内部：

  • 用户调用接口时需要提供一个 context 结构体
  • context 的作用是帮助接口识别任务来源
  • 来自多个线程的任务最终会被推送到由内核驱动维护的任务队列
  • 硬件按照先到先服务的原则依次处理队列中的任务

3.6 taRuntime 模块开发​

NN 推理概念​

NN 推理（Neural Network Inference）指的是在开发板上运行一个 AI 推理程序，核心流程包括：

  1. 从 Linux 文件系统加载网络模型到内存中
  2. 提取推理指令流和权重参数
  3. 分配内存和计算资源
  4. 提交推理任务到 taRuntime
  5. 触发 EA65xx 芯片的 NPU 运行模型
  6. CPU 对 NPU 推理结果进行后处理
  7. 输出检测/识别结果

开发流程​

  1. 模型准备：请算法工程师提供能在 EA65xx 板端运行的模型文件
  2. 程序开发：应用开发工程师参考 sample 编写程序
  3. 接口调用：调用 taRuntime 库的 API 接口加载和运行模型文件
  4. 前后处理：调用其它 SDK 模块提供的 API 接口获取图像及进行前后处理
  5. 部署调试：将编译好的程序拷贝到板端调试运行

示例代码​

// taRuntime API 基本使用流程

// 初始化
ta_runtime_init();

// 创建上下文
ta_runtime_context context;

// 加载模型：从文件系统加载到系统内存，再读入 NN 域
ta_runtime_load_model_from_file(&context, file_path, 0);

// 设置模型输入
taconn_input_t input;
ta_runtime_set_input_cva(&context, input_count, input);

// 设置模型推理的输出 buffer
taconn_buffer_t *output;
ta_runtime_create_buffer(&context, output_size, output);
ta_runtime_set_output(&context, output_count, output);

// 运行网络
ta_runtime_run_network(&context);

// 确保 CPU 读到最新数据
ta_runtime_invalidate_buffer(&context, output);

// 读取 buffer 数据后，释放内存
ta_runtime_destroy_buffer(&context, output);