三创建模型与部署
本节要点
在第二步采集到的数据基础之上，用Reality AI Tools创建模型。
步骤
1.1点击Asset Tracking，激活此项目。
点击左侧Data界面，按照如下步骤操作：
点击Curate。
点击数据文件展开按钮。
勾选数据文件。
点击Action。
点击Format Selected。
1.2在弹出的窗口中，按下述步骤操作：
点击#1 Data，并下拉到最下面，选择Ignore。（注意：这一步非常重要）。
输入采样率1600。
点击Confirm。
1.3点击Action->Segment List From Selected，进行数据分段。
1.4按照如下步骤：
Window Length Datapoints选择512。
Offset Datapoints选择50%。
List名称为amr_512_50_percent_overlap。
点击Submit。
在这里解释一下，滑动窗口的作用：
避免窗口边缘特征的丢失。
增加样本的数量。
滑动窗口允许背靠背分段数据之间的重叠。
Sample 1和2之间有50%重叠。
Sample 2和3之间有50%重叠。
1.5在e2 studio中的configuration.xml中的stack部分Properties页面中Data Shipper/Data Collector/General/Frame Buffer Length，可以设置MCU采集数据时的滑动窗口大小。
本实验滑动窗口的设置是512。
1.6当数据分段完成后，点击左侧AI Explore->Classes。
1.7点击先前创建的amr_512_50_percent_overlap。再点击界面下部的Start exploring。
此时，模型正在生成中。模型生成的过程中，允许退出系统或者进行其他操作。这些操作并不会中断或者影响模型生成。
1.8大概等待10~25分钟左右后，模型生成完成，模型生成时长与训练数据大小有关。
如何选择适合自己的模型呢？主要关注Complexity和KFold Accuracy两个指标。
点击Complexity列的三角图标，它显示当前模型的相关参数。
X Operations表示模型运行中的MAC（乘累加）操作数量。
RAM表示模型运行中所需RAM的大小。
Storage（FLASH/ROM）表示模型运行中所需FLASH的大小。
注意：上述的RAM和FLASH的数值，是以云端服务器硬件平台为基准显示的，仅供参考。部署到实际项目中的MCU/MPU平台中的RAM和FLASH的数值，可能会与这个不同。
KFold Accuracy表示K折交叉验证的模型精度。交叉验证的基本思想是将原始数据集分成多个部分，一部分当作训练集，另一部分作为验证集。先用训练集对算法模型进行训练，再用验证集测试训练得到的算法模型，反复利用这些部分进行模型的训练和验证。Overall %表示本模型的整体精度，数值越高越好，Worst %表示本模型的最差精度，数值越高越好。
点击图中“Create Base Tool”，来生成嵌入式端的模型。
注意：Reality AI Tools会生成许多模型，点击右下角的” Show more results”可以看到被折叠隐藏的更多模型。
1.9使用默认的名称，或者输入模型名称和描述。点击“Add”。
1.10现在开始创建嵌入式端侧部署模型，按照如下步骤：
点击Deploy->Embedded。
点击Trained Tool Description list。
点击 +New Package。
1.11输入DeployName，这个名字就是待会生成的API的前缀。在Inputs中的Data type中选择float32（float）。因为采集的数据是float32类型的。中间的outputs区域，显示了API的输出类型和含义。右侧的Build Options涵盖目标设备类型（目前RA6E2没有在列表清单中，暂时选择RA6E1），FPU类型选择M33 FPU，hard fp abi，Toolchain选择GNU GCC 13.2.1，优化类型选择Speed。
点击Generate New Package，创建模型。
1.12此时，可以看见右侧的Download显示
表示模型生成中。
大概10~25分钟左右。
等到右侧的Download显示
模型生成完成
点击
下载模型文件。
1.13生成的模型文件名称为amr.zip，里面一共有9个文件，
README.txt和model_info.xml是模型相关的信息，包括占用的ROM和RAM信息等。
librai_edsp_f32_arm.a是库文件。
example_classifier.c是模型调用的例子代码，实际使用的时候，不需要添加到工程中。
其余5个文件是模型相关的.c和.h文件。
将上述的librai_edsp_f32_arm.a，amr_model.c，amr_model.h，RealityAI.h，RealityAI_Config.h，RealityAI_Types.h文件复制到Asset Tracking工程中的src/rai文件夹中。
1.14在hal_entry.c中添加#include "amr_model.h"。
同时把hal_entry.c中的宏定义
#define DATA_COLLECTION_EN （1）
修改成
#define DATA_COLLECTION_EN （0）
表示代码进入推理阶段。
1.15点击图标
来编译工程。
本工程经过编译后，应改没有任何errors或者warnings。
1.16点击按钮
启动调试并检查控制台中的内容是否成功建立了连接。
1.17打开Debug文件中的FPBRA6E2_AMR_training.map文件。
搜索到.bss._SEGGER_RTT字段并复制红色框处地址。
注意：下图中的地址可能和实际的工程不相符，以自己手中的文件为准。
1.18打开J-Link RTT-Viewer，点击File->Connect。
在弹出的窗口中，按照以下图片配置。注意，左下角的地址，输入的是上一步骤复制的地址，点击OK。
看到下面的Log输出框，表示连接成功。
1.19点击Terminal 0标签页。
1.20点击图标
两次
此时，程序正常运行起来。
如果在运行的工程中，发现程序停留在startup.c中Default_Handler中。
参考先前3.14步骤中下载的模型中的README.txt的Estimated Memory Utilization中的Parameters，Stack Usage和Pre-Allocated之和。还要考虑加上工程本身没有使用模型推理的代码的stack消耗。
这是工程的stack设定过小，导致堆栈溢出，从而进入Default_Handler。需要在configuration.xml->BSP->Properties->RA Common中的Main stack size（bytes）进行修改。
1.21观察J-Link RTT Viewer中的打印信息。通过扔（10cm高处跌落）、摇晃、静止FPB-RA6E2。可以发现得到如下信息：
红色表示FPB-RA6E2处于drop状态。
黄色表示FPB-RA6E2处于shake状态。
绿色表示FPB-RA6E2处于normal状态。
可以尝试采集更多类型动作数据，再次上传数据并训练，以便识别更多的动作。
