在嵌入式边缘AI中，如何把“训练好的模型”稳定地“跑在板子上”，决定了项目能否落地。我们带你基于RA8P1平台，跑通从数据准备、模型训练、量化转换，到工程部署的整个流程，帮助你快速实现在RA8P1上部署人脸检测模型。
11月22日（本周六），900，我们将就嵌入式AI，带来免费线上培训，手把手带你掌握包括本文但不限于本文的更多技术干货，还有双核通信培训哦！带上电脑，带上Titan Board，预约直播参加培训！（公众号后台回复RA8P1，加入培训群）
1应用效果预览
2⼀图看流程：从数据到上板
3 准备工作：硬件与软件环境
3.1 硬件清单
开发板：RA8P1开发板（Titan Board）。
传感器/外设：屏幕和摄像头
3.2 软件与⼯具
RT-Thread Studio
Python 3.9–3.11，pip包：pytorch等ai库
Yolo-Fastest
4 训练与导出：数据集到模型
4.1 数据集准备
收集网上已有的数据即可
4.2 训练
使用我编译好的darknet.exe
cdYolo-fastestdarknet.exe detector train datasets/voc.data datasets/yolo-fastest.cfg -dont_show
4.3 模型转换
darknet->tflite
conda activate convertcd /path/to/keras-YOLOv3-model-setpython tools/model_converter/conver2tflite_and_int8.py–config_pathyolo-fastest.cfg–weights_pathyolo-fastest_last.weights–output_pathface.h5–int8_img_path../Yolo-Fastest/datasets/face/data_1/train/image/–save_tflite_pathface_int8.tflite-f
tflite->ruhmi
将上⼀步得到的tflite文件复制到ruhmi-framework-mcu/models下，然后运行以下指令
conda activate ruhmicd /path/to/ruhmi-framework-mcu/scriptspython mcu_deploy.py–ethos–ref_data../models/ deploy_qtzed_ethos
5部署模型
tflite->ruhmi会在ruhmi-framework-mcu/scripts下生成可部署模型⽂件，路径如下
接下来，删除*io_data.*和hal_entry.c， 然后将剩下的文件拷贝到ek-ra8p1_face_detect/src/models下打开rt-thread studio,导⼊ek-ra8p1_face_detect项目
选择rt-thread studio项⽬
选择对应的文件夹路径
进入属性页面
修改编码格式
编译然后下载
检测效果如下
11月22日（本周六），900，线上培训，跟着我们一起掌握嵌入式AI！带上电脑，带上Titan Board，预约直播参加培训！（公众号后台回复RA8P1，加入培训群）
获取硬件
RT-Thread 与瑞萨电子联合推出 RA8P1 Titan Board，基于 1GHz Arm Cortex-M85 + 250MHz Cortex-M33 双核架构，集成 Ethos-U55 NPU ，实现 256 GOPS 的 AI 性能、超过 7300 CoreMarks 的突破性 CPU 性能和先进的人工智能 (AI) 功能，可支持语音、视觉和实时分析 AI 场景!
或复制链接购买：https://item.taobao.com/item.htm?ft=t&id=987791181903
