[经验]

【米尔FZ3深度学习计算卡试用体验】搭建Vitis Ai系统平台并测试

2020-12-3 19:22:13

3822 米尔开发板试用

1 Vitis Ai

Vitis™ AI 开发环境是 Xilinx 的开发平台，适用于在 Xilinx 硬件平台（包括边缘器件和 Alveo 卡）上进行人工智能推断。它由优化的 IP、工具、库、模型和示例设计组成。Vitis AI 以高效易用为设计理念，可在 Xilinx FPGA 和 ACAP 上充分发挥人工智能加速的潜力。

使用新的软件平台进行Ai加速必然需要借助DPU这个IP核，目前较为实用且开发难度较小的方式就是使用Xilinx的官方开发流程Vitis Ai开发流程。

如图所示是Vitis Ai的开发框架，从顶层的框架一步一步部署到DPU上，并实现Ai的加速。以下是官方叙述：

· 支持主流框架和最新的模型，能够执行不同的深度学习任务

· 提供一系列全面的预先优化模型，这些模型现已就绪，可随时部署在 Xilinx 器件上。您可以找到最相似的模型，开始针对您的应用重新训练！

· 提供功能强大的开源量化器，支持剪枝和未剪枝的模型量化、校准和微调。

· AI 分析器提供逐层分析，有助于解决瓶颈问题

· AI 库提供高层次 C++ 和 Python API，可实现从边缘到云端的最大可移植性。

· 可以从吞吐量、时延和电源角度定制可扩展的高效 IP 内核，满足您对许多不同应用的需求。

能够利用C++以及python等进行Ai应用开发，但是非常遗憾的是，目前官方并未完全完善这套系统，仅仅对于官方开发板以及Avnet的边缘开发套件较为友好，其他的板子均存在较大的开发难度。现在就利用FZ3开发自己的Ai系统平台。

2 利用vitis搭建系统平台

Vitis整合了之前版本的SDSOC以及SDA开发套件，将软硬件协同加速正式整合一体，并且加入了Ai、CV以及加速库，是的硬件加速更为便捷。但是目前Vitis软件仅仅提供了官方几套开发板的硬件平台，也就是在新建工程时需要platform，其他的板卡仍然需要自己去定制。

在生成硬件平台之前需要做以下的文件准备：

1.sysroots：由上一使用报告使用petalinux生成系统时产生sdk.sh文件，然后运行 ./sdk.sh得到sysroots文件夹，平台所需要的库文件以及相关API也是依赖于这个文件夹。

2.XSA文件：由Vivado生成。这个XSA文件包含了硬件BD的tcl脚本，能够根据tcl代码还原硬件工程，并且其中包含了bit文件，是硬件平台的框架支撑。

3.可执行文件

· zynqmp_f***l.elf

· pmufw.elf

· bl31.elf

· u-boot.elf

上述四个文件也是由上一章试用得到，直接复制或者试用即可，此外还需要一个bif文件：

/* linux */

the_ROM_image:

{

[f***l_config] a53_x64

[bootloader]

[pmufw_image]

[destination_device=pl]

[destination_cpu=a53-0,exception_level=el-3, trustzone]

[destination_cpu=a53-0,exception_level=el-2]

}

准备好上述文件即可开始搭建系统，由于制作过程并没有记录，截图均是试用官方git上的截图。

首先新建工程，选择根据XSA文件创建系统并且选择该XSA文件。

选择系统为Linux

选择处理器为psu_cortexa53

选择arch为64-bit

完成得到如图：

注：图片来源：官方github

根据上图选择之前准备好的文件即可。

然后编译。

最后得到下面的文件和系统平台：

文件夹export下就是本次的系统平台。

3 验证系统平台

新建一个加速应用验证上述平台的试用。

选择File -> New -> Application Project.

点击next

选择上一章节生成的platform，并点击next

命名vector_add并点击next.

设置Damain为linux onpsu_cortexa53,设置Sys_rootpath 为之前文件准备的文件夹

选择vitis自带的加速例程：VectorAddition完成后进去应用程序界面

双击vadd.prj打开, 将Emulation-SW 改为Hardware.

最后build即可。

最后会生成以下几个文件：

将 binary_container_1.xclbin, BOOT.BIN,image.ub, vector_add 以及boot.scr拷贝到SD的BOOT分区。

试用Xshell进入系统：

exportXILINX_XRT=/usr

cd/mnt/sd-mmcblk1p1/

可以看到之前复制进去的binary_container_1.xclbin文件

./vector_add binary_container_1.xclbin

即可查看到：

TEST PASSED

出去上述字样即证明该项系统平台验证成功。

4 下一期

平台已经搭建好，下一步加入DPU，做深度学习的加速。

只看该作者 淘帖0 举报

精选推荐

AI模型部署边缘设备的奇妙之旅：目标检测模型

590 浏览 0 评论
AI模型部署边缘设备的奇妙之旅：如何在边缘端部署OpenCV

2241 浏览 0 评论
tms320280021 adc采样波形，为什么adc采样频率上来波形就不好了？

1233 浏览 0 评论
基于米尔全志T527开发板的OpenCV进行手势识别方案

1788 浏览 0 评论
AI模型部署边缘设备的奇妙之旅：如何实现手写数字识别

1464 浏览 0 评论

搜索历史

【米尔FZ3深度学习计算卡试用体验】搭建Vitis Ai系统平台并测试

相关推荐

评论

精选推荐

热门帖

站长推荐 /6