共计 5332 个字符，预计需要花费 14 分钟才能阅读完成。
EMQ X Kuiper 是一款边缘轻量级物联网数据分析 / 流软件，可在各种资源受限的物联网设施上运行。
TensorFlow Lite 是一组帮忙开发人员在挪动端、嵌入式和物联网设施上运行 TensorFlow 模型的工具，它使得设施上的机器学习预测具备低提早和较小的二进制容量。
通过集成 Kuiper 和 TensorFlow Lite，用户能够通过蕴含事后构建的 TensorFlow 模型的 AI 剖析流中的数据。在本教程中，咱们将疏导您构建一个 kuiper 插件，通过事后训练的图像识别 TensorFlow 模型，标记边缘设施生成的流图片（二进制数据）。
条件筹备
如需运行 TensorFlow Lite 解释器，咱们须要一个经过训练的模型。本篇教程将不介绍如何训练和涵盖这个模型，您能够通过查看 tflite converter 理解详情。咱们既能够训练一个新的模型，也能够在线抉择一个。在本教程中，咱们将应用 mattn/go tflite 的 label image 模型。该 repo 为 tflite C API 创立了 golang 绑定。咱们还将应用它来实现咱们的插件。
开发插件
为了集成 Kuiper 和 TensorFlow Lite，咱们将开发一个定制的 Kuiper 函数插件，供 Kuiper 规定应用。例如，咱们将创立 LabelImage 函数，其输出是示意图像的二进制类型数据，输入是示意图像标签的字符串。例如，如果输出图像中有孔雀，LabelImage(col) 将输入“孔雀”。
要开发函数插件，咱们须要：
- 创立插件 go 文件。例如，在 kuiper 源代码中，创立 plugins/functions/labelImage/labelImage.go 文件。
- 创立一个实现 api. 函数接口 的 struct。
- 导出 struct。
实现的要害是 Exec 函数。伪代码如下：
func (f *labelImage) Exec(args []interface{}, ctx api.FunctionContext) (interface{}, bool) {
//... 初始化和验证
// 解码输出图像
img, _, err := image.Decode(bytes.NewReader(arg[0]))
if err != nil {return err, false}
var outerErr error
f.once.Do(func() {// 加载标签、tflite 模型并初始化 tflite 解释器})
// 对输出图像运行解释器
// 返回可能性最大的标签
return result, true
}此外还须要留神插件的导出。该函数是无状态的，因而咱们将仅导出一个 struct 实例。所有应用此函数的规定都会共享一个实例，以防止创立实例和加载模型的开销。模型和标签门路将在实例化时指定。
var LabelImage = labelImage{
modelPath: "labelImage/mobilenet_quant_v1_224.tflite",
labelPath: "labelImage/labels.txt",
}查阅 本教程 以取得创立 Kuiper 插件的具体步骤。请参阅 labelImage.go 以获取残缺的源代码。
构建并装置插件
要应用该插件，咱们须要在运行 Kuiper 的环境中对其进行构建，而后将其装置在 Kuiper 中。
通过预构建的 zip 装置
如果应用基于 debian 的带有 1.1.1 或 1.1.1-slim 标签的 Kuiper docker 镜像，咱们能够装置预构建的 labelImage 插件。例如，要在 docker image emqx/kuiper:1.1.2-slim 中装置 Kuiper 1.1.2 插件，则预构建的 zip 文件位于 https://www.emqx.io/downloads…。按如下所示运行 rest 命令以进行装置。
POST http://{{kuiperHost:kuiperRestPort}}/plugins/functions
Content-Type: application/json
{"name":"labelImage", "file": "https://www.emqx.io/downloads/kuiper-plugins/v1.1.2/debian/functions/labelImage_amd64.zip"}手动构建
-
如果您不应用官网的 Kuiper docker 镜像运行 Kuiper，因为 golang 插件的限度，预构建的 labelImage 插件将不实用。您须要手动构建插件。手动创立插件 zip 文件有 3 个步骤：
- 构建 TensorFlowLite C API。
- 构建 labelImage 插件。
- 将插件与装置脚本打包在一起。
构建 TensorFlowLite C API
有一个来自 tensorflow repo 的对于构建 C API 的非常简单的 阐明。咱们将在本节中逐渐具体开展。请留神，该插件仅针对 TensorFlow v2.2.0-rc3 进行测试，因而咱们将以此版本为根底进行构建。以 ubuntu 为例，以下是构建步骤：
- 装置 Python 3.
- 将 requirements.txt 复制到您指定地位。装置所需的 python 库：
pip3 install -r requirements.txt。requirements 来自相应 TensorFlow 版本的tensorflow/tensorflow/tools/pip_package/setup.py。 - 装置 TensorFlow 的构建工具 Bazel。
- 克隆 tesorflow repo，通过
git checkout v2.2.0-rc3 -b mybranch命令切换到所需的分支。 -
生成指标 .so 文件，输入将位于 ./bazel-bin 中。将两个 so 文件复制到 tensorflow/lib 文件夹中。
$ cd $tensorflowSrc $ bazel build --config monolithic -c opt //tensorflow/lite:libtensorflowlite.so $ bazel build --config monolithic -c opt //tensorflow/lite/c:libtensorflowlite_c.so $ mkdir lib $ cp bazel-bin/tensorflow/lite/libtensorflowlite.so lib $ cp bazel-bin/tensorflow/lite/c/libtensorflowlite_c.so lib -
装置 so 文件。
- 更新 ldconfig 文件
sudo vi / etc / ld.so.conf.d / tflite.conf。 - 将门路
{{tensorflowPath}}/lib增加到 tflite.conf，而后保留并退出。 - 运行 ldconfig:
sudo ldconfig。 - 查看装置后果：
ldconfig -p | grep libtensorflow。确保列出了两个 so 文件。
- 更新 ldconfig 文件
构建 labelImage 插件
确保已克隆 Kuiper github repo。插件源文件位于 plugins/functions/labelImage/labelImage.go 中。在构建插件之前，导出 tensorflow repo 和构建库的门路。
$ cd {{kuiperRepoPath}}
$ export CGO_CFLAGS=-I/root/tensorflow
$ export CGO_LDFLAGS=-L/root/tensorflow/lib
$ go build -trimpath --buildmode=plugin -o plugins/functions/LabelImage.so plugins/functions/labelImage/*.go通过这些命令，插件将构建到 plugins/functions/LabelImage.so 中。出于开发目标，您能够重新启动 Kuiper 以主动加载此插件并进行测试。测试实现后，咱们应该将其打包为一个 zip 文件，该文件可供 Kuiper 插件装置 API 应用，以便能够在其余计算机（例如生产环境）中应用。
打包插件
将 plugins/functions/labelImage 目录中的所有文件和目录与构建的 LabelImage.so 一起打包到一个 zip 文件中。zip 文件的文件构造应相似于：
-
etc
- labels.txt
- mobilenet_quant_v1_224.tflite
-
lib
- libtensorflowlite.so
- libtensorflowlite_c.so
- install.sh
- LabelImage.so
- tflite.conf
将打包的插件装置到指标零碎，如 通过预构建 zip 装置 所示。
运行插件
插件装置后，咱们就能够在规定中应用它了。咱们将创立一个规定用于接管来自 mqtt 主题的图像字节数据，并通过 tflite 模型标记该图像。
定义流
通过 Kuiper rest API 定义流。咱们创立一个名为 tfdemo 的流，其格局为二进制，主题为 tfdemo。
POST http://{{host}}/streams
Content-Type: application/json
{"sql":"CREATE STREAM tfdemo () WITH (DATASOURCE=\"tfdemo\", FORMAT=\"BINARY\")"}定义规定
通过 Kuiper rest API 定义规定。咱们将创立一个名为 ruleTf 的规定。咱们只是从 tfdemo 流中读取图像，而后对其运行自定义函数 labelImage。返回后果将是 AI 辨认的图像的标签。
POST http://{{host}}/rules
Content-Type: application/json
{
"id": "ruleTf",
"sql": "SELECT labelImage(self) FROM tfdemo",
"actions": [
{"log": {}
}
]
}输出数据
在这里，咱们创立了一个 go 程序，用于将图像数据发送到 tfdemo 主题以便由规定进行解决。
package main
import (
"fmt"
mqtt "github.com/eclipse/paho.mqtt.golang"
"io/ioutil"
"time"
)
func main(){
const TOPIC = "tfdemo"
images := []string{
"peacock.png",
"frog.jpg",
// 其余你须要的图像
}
opts := mqtt.NewClientOptions().AddBroker("tcp://yourownhost:1883")
client := mqtt.NewClient(opts)
if token := client.Connect(); token.Wait() && token.Error() != nil {panic(token.Error())
}
for _, image := range images {fmt.Println("Publishing" + image);
payload, err := ioutil.ReadFile(image)
if err != nil{fmt.Println(err)
continue
}
if token := client.Publish(TOPIC, 0, false, payload); token.Wait() && token.Error() != nil {fmt.Println(token.Error())
} else {fmt.Println("Published" + image);
}
time.Sleep(1 * time.Second)
}
client.Disconnect(0)
}运行 pub.go，它将开始将图像输出 tfdemo 主题。
查看后果
因为咱们的规定定义只有一个指标：log，所以后果将被写入日志文件。咱们用 peacock.png 和 frog.png 两个图像填充流。查看日志文件，咱们会发现：
time="2021-02-05 16:23:29" level=info msg="sink result for rule ruleTf: [{\"labelImage\":\"peacock\"}]" file="sinks/log_sink.go:16" rule=ruleTf
time="2021-02-05 16:23:30" level=info msg="sink result for rule ruleTf: [{\"labelImage\":\"bullfrog\"}]" file="sinks/log_sink.go:16" rule=ruleTf图像标记正确。
论断
通过本篇教程，您能够构建自定义的 Kuiper 插件，以应用事后训练好的 TensorFlow Lite 模型。如果须要应用其余模型，则只需依照规定步骤创立另一个函数即可。请留神，如果在同一环境中运行，构建的 TensorFlow C API 能够在所有函数之间共享。心愿本文能帮忙您更好地在边缘计算中利用 AI，让 AI 为您的边缘设施赋能。
版权申明：本文为 EMQ 原创，转载请注明出处。
原文链接：https://www.emqx.cn/blog/run-tensorflow-lite-model-with-kuiper-function-plugin