【瑞萨AI挑战赛】RUHMI 环境搭建-开发板测评与实战-芯查查

无垠的广袤

【瑞萨AI挑战赛】RUHMI 环境搭建

本文介绍了瑞萨 Titan RA8P1 开发套件结合 RUHMI 框架实现预训练模型转换和部署的项目设计，包括环境搭建、模型量化、模型转换、CLI 命令行、图形化配置、C源码生成等。

项目介绍

准备工作：认识 RUHMI 框架、拉取框架文件；
部署方案：图形化 RUHMI 框架的部署流程；
模型转换：使用 Python 程序将预训练模型转换为 C 语言源码，结合图形化配置工具完成部署；

Titan Board 搭载频率 1GHz Arm® Cortex®-M85 与 250MHz Arm® Cortex®-M33 双架构核 RA8P1 芯片。RA8P1 系列是瑞萨电子首款搭载高性能 Arm® Cortex®-M85 (CM85) 及 Helium™ 矢量扩展，并集成 Ethos™-U55 NPU 的 32 位 AI 加速微控制器 (MCU)。

RUHMI

Robust Unified Heterogenous Model Integration（RUHMI） 是瑞萨电子推出的AI部署工具，旨在简化嵌入式设备中深度神经网络模型的部署。

该部署工具集成了 EdgeCortix® Mera™ 2.0 编译器，支持 TensorFlow Lite 和 ONNX 模型导入，可自动生成优化后的 C 源代码、头文件，以及二进制运行文件，可轻松编译并部署到 Renesas 开发板。
RUHMI 提供图形化界面（GUI）和命令行接口（CLI）开发方式
图形化界面（GUI）：通过集成在 e^2^ studio 中的图形化界面，直观完成模型转换、生成代码和二次开发。
命令行接口（CLI）：命令行接口支持 Windows 和 Ubuntu 使用，可结合 Python 脚本，实现自动化测试和批量化设计验证。

详见：renesas/ruhmi-framework-mcu .

硬件连接

使用 Type-C 数据线连接板载 USB-Debug 接口；

环境搭建

部署 RUHMI 开发环境。

下载并安装 C++ 运行时库；
下载并安装 Python3.10 ；

从 Windows 开始菜单打开 PowerShell ；

创建并进入工作文件夹；

cd F:\RUHMI

虚拟环境

为 Python 构建虚拟环境

虚拟环境
为 Python 构建虚拟环境

py -3.10 -m venv .venv

激活虚拟环境在激活垂直环境之前，需要更改 shell 执行的执行策略，执行指令

[Environment]::SetEnvironmentVariable('CONVERSION_TOOL_E2STUDIO_PLUGIN_PYTHON_VENV_LOC', "$(Get-Location)", 'User') 
Set-ExecutionPolicy -ExecutionPolicy RemoteSigned -Scope Process  
.venv\Scripts\Activate.ps1

提示 (.venv) PS F：\RUHMI> 表明创建并激活虚拟环境。

MERA 安装

拉取 RUHMI framework 文件，或将 whl 文件下载至当前文件夹；

git clone https://github.com/renesas/ruhmi-framework-mcu.git

将 RUHMI AI Compiler 安装至虚拟环境

python -m pip install .\mera-2.5.0+pkg.179-cp310-cp310-win_amd64.whl   
python -m pip install onnx==1.17.0 tflite==2.18.0

安装后执行如下指令查询版本号

python -c "import mera; print(mera.__version__)"  
vela --version
python -c "import mera;print(dir(mera))"

效果如下

模型转换

使用 NETRON 在线工具判断预训练模型的数据类型；

根据模型的数据类型，如 float32，选择对应的转换代码，选择方案如下图所示

CLI 命令行

若要在本地生成 C 源码，则需将模型文件放置在自定义路径 ./models_fp32 文件夹；

若预训练模型为 FP32 格式，则终端执行

python mcu_quantize.py ../models_fp32 deploy_mcu

该指令解释为 python <量化.py程序> <模型所在路径> <量化结果输出路径> ；

该指令解释为 python <量化.py程序> <模型所在路径> <量化结果输出路径> ；

终端输出模型量化细节

源码生成

处理模型后，在部署目录中找到转换后的文件。包括编译过程中生成的部署产物，用于调试。

核心输出位于目录 <deployment_directory> build/MCU/compilation/src 文件夹。

该目录包含已转换为一组 C99 源代码文件的模型。

图形化

打开 e^2^ studio 软件，新建 RA 工程；
进入 Renesas AI - AI Navi 工具选项，选择 Use Your Project & AI Model ；
进入 Convert AI Model 标签页，点击 Convert... 按钮；
选择工程，设备 RA8 系列，工具为 RUHMI 编译器，模型选择对应格式，配置输出路径，点击下一步；
注意 RUHMI Framework AI Compiler 选择路径为前面已安装的 .venv 环境目录。

模型转换后，进入优化流程

点击 Start Quantization ，待进度条完成，点击 Next ；
进入转换流程，选择仅使用 CPU 推理的方案，配置权重保存位置等参数，点击 Start Conversion 执行转换程序；
待进度条完成，控制台输出 Success command 字样，表明模型转换完成。

构建工程

模型转换完成后，C 源码保存在项目文件夹路径 ./conversion_results/converted/build/MCU/compilation/src 文件夹下

右键工程，选择 Build Project ，无报错。

总结

本文介绍了瑞萨 Titan RA8P1 开发套件结合 RUHMI 框架实现预训练模型转换和部署的项目设计，包括环境搭建、模型量化、模型转换、CLI 命令行、图形化配置、C源码生成等，为相关产品在边缘 AI 领域的快速开发和应用设计提供了参考。

版块：开发板测评与实战

2026/03/11 13:29

全部评论

加载中