EMQX 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备上运行。

TensorFlow Lite 是一组帮助开发人员在移动端、嵌入式和物联网设备上运行 TensorFlow 模型的工具，它使得设备上的机器学习预测具有低延迟和较小的二进制容量。

通过集成 Kuiper 和 TensorFlow Lite，用户可以通过包含预先构建的 TensorFlow 模型的 AI 分析流中的数据。在本教程中，我们将引导您构建一个 kuiper 插件，通过预先训练的图像识别 TensorFlow 模型，标记边缘设备生成的流图片（二进制数据）。

条件准备

如需运行 TensorFlow Lite 解释器，我们需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，您可以通过查看 tflite converter 了解详情。我们既可以训练一个新的模型，也可以在线选择一个。在本教程中，我们将使用 mattn/go tflite 的 label image 模型。该 repo 为 tflite C API 创建了 golang 绑定。我们还将使用它来实现我们的插件。

开发插件

为了集成 Kuiper 和 TensorFlow Lite，我们将开发一个定制的 Kuiper 函数插件，供 Kuiper 规则使用。例如，我们将创建 LabelImage 函数，其输入是表示图像的二进制类型数据，输出是表示图像标签的字符串。例如，如果输入图像中有孔雀，LabelImage(col) 将输出“孔雀”。

要开发函数插件，我们需要：

创建插件 go 文件。例如，在 kuiper 源代码中，创建 plugins/functions/labelImage/labelImage.go 文件。
创建一个实现 api.函数接口 的 struct。
导出 struct。

实现的关键是 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

    // 解码输入图像
    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
    })

        // 对输入图像运行解释器
        // 返回可能性最大的标签
        return result, true
}

此外还需要注意插件的导出。该函数是无状态的，因此我们将仅导出一个 struct 实例。所有使用此函数的规则都会共享一个实例，以避免创建实例和加载模型的开销。模型和标签路径将在实例化时指定。

var LabelImage = labelImage{
    modelPath: "labelImage/mobilenet_quant_v1_224.tflite",
    labelPath: "labelImage/labels.txt",
}

查阅本教程以获得创建 Kuiper 插件的详细步骤。请参阅 labelImage.go 以获取完整的源代码。

构建并安装插件

要使用该插件，我们需要在运行 Kuiper 的环境中对其进行构建，然后将其安装在 Kuiper 中。

通过预构建的 zip 安装

如果使用基于 debian 的带有 1.1.1 或 1.1.1-slim标签的 Kuiper docker 镜像，我们可以安装预构建的 labelImage插件。例如，要在 docker image emqx/kuiper:1.1.2-slim 中安装 Kuiper 1.1.2 插件，则预构建的 zip 文件位于 https://www.emqx.com/zh/downloads/kuiper-plugins/v1.1.2/debian/functions/labelImage_amd64.zip\。按如下所示运行 rest命令以进行安装。

POST http://{{kuiperHost:kuiperRestPort}}/plugins/functions
Content-Type: application/json

{"name":"labelImage", "file": "https://www.emqx.com/zh/downloads/kuiper-plugins/v1.1.2/debian/functions/labelImage_amd64.zip"}

手动构建

如果您不使用官方的 Kuiper docker 镜像运行 Kuiper，由于 golang 插件的限制，预构建的 labelImage 插件将不适用。您需要手动构建插件。手动创建插件 zip 文件有3个步骤：
1. 构建 TensorFlowLite C API。
2. 构建 labelImage 插件。
3. 将插件与安装脚本打包在一起。

构建 TensorFlowLite C API

有一个来自 tensorflow repo 的关于构建C API的非常简单的说明。我们将在本节中逐步详细展开。请注意，该插件仅针对 TensorFlow v2.2.0-rc3 进行测试，因此我们将以此版本为基础进行构建。以 ubuntu 为例，以下是构建步骤：

安装 Python 3.
将 requirements.txt 复制到您指定位置。安装所需的 python 库：pip3 install -r requirements.txt。 requirements 来自相应 TensorFlow 版本的 tensorflow/tensorflow/tools/pip_package/setup.py。
安装 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。

生成目标 .so 文件，输出将位于 ./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

安装 so 文件。
1. 更新 ldconfig 文件 sudo vi / etc / ld.so.conf.d / tflite.conf。
2. 将路径 {{tensorflowPath}}/lib 添加到 tflite.conf，然后保存并退出。
3. 运行 ldconfig: sudo ldconfig。
4. 检查安装结果：ldconfig -p | grep libtensorflow。确保列出了两个so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 和构建库的路径。

$ 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。出于开发目的，您可以重新启动 Kuiper 以自动加载此插件并进行测试。测试完成后，我们应该将其打包为一个 zip 文件，该文件可供 Kuiper 插件安装API 使用，以便可以在其他计算机（例如生产环境）中使用。

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文件的文件结构应类似于：

etc
- labels.txt
- mobilenet_quant_v1_224.tflite
lib
- libtensorflowlite.so
- libtensorflowlite_c.so
install.sh
LabelImage.so
tflite.conf

将打包的插件安装到目标系统，如通过预构建 zip 安装所示。

运行插件

插件安装后，我们就可以在规则中使用它了。我们将创建一个规则用于接收来自 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。我们创建一个名为 tfdemo 的流，其格式为二进制，主题为 tfdemo。

POST http://{{host}}/streams
Content-Type: application/json

{"sql":"CREATE STREAM tfdemo () WITH (DATASOURCE=\"tfdemo\", FORMAT=\"BINARY\")"}

定义规则

通过 Kuiper rest API 定义规则。我们将创建一个名为 ruleTf 的规则。我们只是从 tfdemo 流中读取图像，然后对其运行自定义函数 labelImage。返回结果将是 AI 识别的图像的标签。

POST http://{{host}}/rules
Content-Type: application/json

{
  "id": "ruleTf",
  "sql": "SELECT labelImage(self) FROM tfdemo",
  "actions": [
    {
      "log": {}
    }
  ]
}

输入数据

在这里，我们创建了一个 go 程序，用于将图像数据发送到 tfdemo 主题以便由规则进行处理。

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",
        // 其他你需要的图像
    }
    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，它将开始将图像输入 tfdemo 主题。

检查结果

因为我们的规则定义只有一个目标：log，所以结果将被写入日志文件。我们用 peacock.png 和 frog.png 两个图像填充流。检查日志文件，我们会发现：

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。

结论

通过本篇教程，您可以构建自定义的 Kuiper 插件，以使用预先训练好的 TensorFlow Lite 模型。如果需要使用其他模型，则只需按照规定步骤创建另一个函数即可。请注意，如果在同一环境中运行，构建的 TensorFlow C API 可以在所有函数之间共享。希望本文能帮助您更好地在边缘计算中利用 AI，让 AI 为您的边缘设备赋能。

博客

Tag: TensorFlow

订阅我们的博客