书接上篇：[EdgeAI] NXP eIQ 机器学习Toolkit （一）：准备篇
1. 模型选择
在准备篇中，数据集已OK，下面进行Model的建模训练，
首先要选择模型，点击SELECT MODEL：
eIQ 软件提供了两种不同应用的图像Model，包括Classification分类任务和Detection检测任务。
点击其中任一Model，就会进入到 Model Performance 类型选择：
类似大多现有Release的模型type:
- ·Performance：模型运行速度最快，精度最低
- ·Balanced：折中
- ·Precision：模型运行精度最高，速度最低
（U1S1，这三个图片logo表达的还是非常准确滴~）
我们可以点击左面 选项栏的BaseModel，查看eIQ支持的模型：
可以看到eIQ针对图像分类/检测 Model 是用的 经典的MobileNet/SSD，
这里选择Balance的模型，点进去后，进入Target 目标平台选择，支持 MCU CPU和GPU，NPU
2. 模型训练
选择目标平台和类型后，进入到模型训练界面：
常用训练参数也都在选项栏里：
其中常用的包括：
–> Weight Initialization: 模型权重初始化策略，包括Imagenet（即网络预训练权重），随机权重，以及本地权重文件（即加载本地所保存的模型权重文件）
-> Input Size：指定模型输入尺寸
-> Learning Rate：模型训练学习率，控制每次迭代后模型权重更新速度
Batch Size：每一次迭代所使用的数据大小
-> Epochs ToTrain: 总的训练迭代次数
-> Enable QAT：使能训练中量化
配置好训练参数后，点击 黄色的“START TRAINING” 选项，即可开始训练，并实时更新Train loss曲线和各类参数：
3. 模型评估
当模型训练达到我们所接受的精度之后，我们就可以点击Stop停止模型训练，然后点击 VALIDATA进行模型的评估和测试，
如果精度一直不达标，可以通过修改各训练参数，或者更新训练数据，再次点击CONTINUE TRAINING继续进行训练：
Validating 需要一段时间：
在Validate 页面可以查看评价指标(Evaluation metrics)，
eIQ这里 支持 Confusion Matric 和Per Class Metric:
下图我这次训练后的 Confusion Matric （混淆矩阵）
Per Class Metric（每个类别的准确度）：
在选项栏 的validation 配置有Softmax threshold阈值 等：
点开Model Tool可以查看 分析Model具体结构
Model Tool这里 一看就是集成的Netron：
能够看到模型每一层的各类参数，包括输入输出和运行时间等，
4. 模型导出
如果评估感觉模型达标，接下来就可以进行导出和部署到 目标设备上，
点击Deploy：
进入导出页面：
这里支持导出为：
- DeepViewRT （*.rtm），用于DeepViewRT推理引擎的rtm格式
- ONNX (*.onnx)
- Tensorflow Lite (*.tflite)
- Keras (*.h5)
导出模型可选的输入输出类型 包括：Float32/Int8/Uint8：
也可以根据需要，针对性的对模型进行Quantized量化
配置好后，点击EXPORT MODEL 即可导出模型文件到本地：
对于保存到本地的模型，可以在Deploy到设备之前，选用PC调用（如python加载）运行试下效果，最后再部署到设备端运行
5. 模型部署
Edge设备端是需要根据模型的类型以及设备的Lib支持，移植相应的Inference Engine ，加载上面保存的模型，运行输出Prediction结果。
而上面的模型 可见 准确度还差得远，不能使用，所以需要retrain提升精度后，Deploy在设备端才能更好的运行以解决问题。
手头的NXP开发板没有适合跑上面模型的，新板子正在路上。。。
未完待续。。。
博主热门文章推荐：
一篇读懂系列：
- 一篇读懂无线充电技术（附方案选型及原理分析）
- 一篇读懂：Android/iOS手机如何通过音频接口（耳机孔）与外设通信
- 一篇读懂：Android手机如何通过USB接口与外设通信（附原理分析及方案选型）
LoRa Mesh系列：
- LoRa学习：LoRa关键参数（扩频因子，编码率，带宽）的设定及解释
- LoRa学习：信道占用检测原理（CAD）
- LoRa/FSK 无线频谱波形分析（频谱分析仪测试LoRa/FSK带宽、功率、频率误差等）
网络安全系列：
- ATECC508A芯片开发笔记（一）：初识加密芯片
- SHA/HMAC/AES-CBC/CTR 算法执行效率及RAM消耗 测试结果
- 常见加密/签名/哈希算法性能比较 (多平台 AES/DES, DH, ECDSA, RSA等)
- AES加解密效率测试（纯软件AES128/256）–以嵌入式Cortex-M0与M3 平台为例
嵌入式开发系列：
- 嵌入式学习中较好的练手项目和课题整理（附代码资料、学习视频和嵌入式学习规划）
- IAR调试使用技巧汇总：数据断点、CallStack、设置堆栈、查看栈使用和栈深度、Memory、Set Next Statement等
- Linux内核编译配置（Menuconfig）、制作文件系统 详细步骤
- Android底层调用C代码（JNI实现）
- 树莓派到手第一步：上电启动、安装中文字体、虚拟键盘、开启SSH等
- Android/Linux设备有线&无线 双网共存（同时上内、外网）
AI / 机器学习系列：
- AI: 机器学习必须懂的几个术语：Lable、Feature、Model…
- AI：卷积神经网络CNN 解决过拟合的方法 （Overcome Overfitting）
- AI: 什么是机器学习的数据清洗（Data Cleaning）
- AI: 机器学习的模型是如何训练的？（在试错中学习）
- 数据可视化：TensorboardX安装及使用（安装测试+实例演示）