Vitis AI Library应用

本文转载自: 硬码农二毛哥微信公众号

Vitis AI提供两种应用例程,VART和Vitis AI Library,下文详细描述了Vitis AI Library中refinedet应用的实现过程。

编译AI模型

DNNDK 和Vitis AI Library编译AI库的方式相同。

编译refinedet模型

RefineDet模型用来检测人体。

$~/Vitis-AI/AI-Model-Zoo/all_models_1.2/caffe
$cp -r cf_refinedet_coco_480_360_0.8_25G_1.2/ ../../../Tool-Example/
$cd ~/Vitis-AI
$./docker_run.sh xilinx/vitis-ai:1.2.82
$conda activate vitis-ai-caffe

生成.dcf文件,修改.json文件,这两步已经完成。

运行编译指令

vai_c_caffe -p cf_refinedet_coco_480_360_0.8_25G_1.2/quantized/Edge/deploy.prototxt -c cf_refinedet_coco_480_360_0.8_25G_1.2/quantized/Edge/deploy.caffemodel -a arch.json -o cf_refinedet_coco_480_360_0.8_25G_1.2/output -n refinedet

出现如下错误:

 Error parsing text-format caffe.NetParameter: 2310:21: Message type "caffe.DetectionOutputParameter" has no field named "objectness_score".
[VAI_C][Error] Open prototxt file failed: cf_refinedet_coco_480_360_0.8_25G_1.2/quantized/Edge/deploy.prototxt

在readme中:

remove layers after "arm_conf_reshape",将arm_conf_reshape层和它之后的层删除,再进行编译正常输出。

将编译生成的.elf模型拷贝到sd卡

编译AI应用

编译Vitis-AI-Library应用

安装交叉编译环境

进入https://github.com/Xilinx/Vitis-AI/tree/v1.2/Vitis-AI-Library#quick-star...,下载sdk-2020.1.0.0sh。

$mkdir petalinux_sdk
$cd petalinux_sdk
$./sdk-2020.1.0.0.sh

创建环境变量

$source ~/petalinux_sdk/environment-setup-aarch64-xilinx-linux

下载 vitis_ai_2020.1-r1.2.0.tar.gz,并安装

$tar -xzvf vitis_ai_2020.1-r1.2.x.tar.gz -C ~/petalinux_sdk/sysroots/
aarch64-xilinx-linux

交叉编译refinedet

$cd ~/Vitis-AI/Vitis-AI-Library/overview/samples/refinedet
$bash -x build.sh

编译后生成4个可执行文件:


将生成的文件拷贝到sd卡。

下载 Vitis AI Runtime 1.2.0并拷贝到sd卡

下载vitis_ai_library_r1.2.x_images.tar.gz 和 vitis_ai_library_r1.2.x_video.tar.gz并拷贝到sd卡

启动单板

sd卡FTA32中的内容:

refinedet_lib文件夹中的内容包括refinedet模型和可执行文件。

查看ip,通过ssh访问单板

$ifconfig

启动单板后,先执行init.sh, XRT环境变量

$cd /mnt/sd_mmcblk1p1
$source ./init.sh

进入sd_mmcblk1p1目录

$cd /mnt/sd_mmcblk1p1
$ cp dpu_sw_optimize.tar.gz vitis-ai-runtime-1.2.0.tar.gz vitis_ai_library_r1.2.0_images.tar.gz vitis_ai_library_r1.2.0_video.tar.gz ~/

运行dpu_sw_optimize

$cd ~
$tar -xzf dpu_sw_optimize.tar.gz
$cd dpu_sw_optimize/zynqmp/
$./zynqmp_dpu_optimize.sh

安装 Vitis AI Runtime 1.2.0

tar -xzvf vitis-ai-runtime-1.2.0.tar.gz
cd ~/vitis-ai-runtime-1.2.0/aarch64/centos
rpm -ivh --force libunilog-1.2.0-r10.aarch64.rpm
rpm -ivh --force libxir-1.2.0-r12.aarch64.rpm
rpm -ivh --force libtarget-factory-1.2.0-r10.aarch64.rpm
rpm -ivh --force libvart-1.2.0-r16.aarch64.rpm
rpm -ivh --force libvitis_ai_library-1.2.0-r15.aarch64.rpm

运行Vitis AI Library应用

解压vitis_ai_library_r1.2.x_images.tar.gz和 vitis_ai_library_r1.2.x_video.tar.gz

mkdir -p ~/Vitis-AI/vitis_ai_library
tar -xzvf vitis_ai_library_r1.2.0_images.tar.gz -C Vitis-AI/vitis_ai_library
tar -xzvf vitis_ai_library_r1.2.0_video.tar.gz -C Vitis-AI/vitis_ai_library

拷贝refinedet_lib文件夹到 ~/Vitis-AI/vitis_ai_librarysamples/refinedet/

修改/etc/vart.conf文件

firmware:/run/media/mmcblk1p1/dpu.xclbin

安装 ZCU104 AI Model ,运行命令:

rpm -ivh --force xilinx_model_zoo_zcu102-1.2.0-1.aarch64.rpm

模型安装到/usr/share/vitis_ai_library/models中,进入refinedet_pruned_0_8文件夹

cd /usr/share/vitis_ai_library/models

进入refinedet_pruned_0_8文件夹,文件夹中有如下两个文件。

模型存放位置

新建与模型名字相同的文件夹,将与模型名字相同的.elf文件拷贝到新建的文件夹,然后执行。

cd ~Vitis-AI/vitis_ai_library/samples/refinedet/refinedet_lib
mkdir refinedet_pruned_0_8

将.elf文件改名成refinedet_pruned_0_8.elf,拷贝到refinedet_pruned_0_8文件夹,将reffinedet_pruned_0_8.prototxt拷贝到refinedet_pruned_0_8文件夹。

查找模型,在configurable_dpu_task_imp.cpp 中指出了查找模型的位置。

删除zcu104模型

/usr/share/vitis_ai_library/models/refinedet_pruned_0_8的,模型是针对ZCU104单板器件的,不能使用,因此将refinedet_pruned_0_8文件夹名字进行修改,防止程序执行时运行。

在refinedet_lib目录,运行例程

./test_jpeg_refinedet refinedet_pruned_0_8 sample_refinedet.jpg

输出结果

启动摄像头识别

export DISPLAY=:0.0
 xrandr --output DP-1 --mode 640x480
./test_video_refinedet refinedet_pruned_0_8 0

最新文章

最新文章