大更新。
继续接下来的步骤：
首先要下载Ai_Model_Zoo,在该文件夹内运行docker：
./docker_run.sh xilinx/vitis-ai-cpu:latest
然后启动vitis-ai-tensorflow环境：
conda activate vitis-ai-tensorflow
产生dcf文件：
dlet -f {platform}.hwh(自己生成的)
创建custom.json文件：
{
"target" : "DPUCZDX8G",
"dcf" : ".{platform}.dcf",
"cpu_arch" : "arm64"
}
然后创建ompile_tf_model.sh：
model_name=$1
modelzoo_name=$2
vai_c_tensorflow
--frozen_pb../../AI-Model-Zoo/models/${modelzoo_name}/quantized/deploy_model.pb
--arch./custom.json
--output_dir./compiled_output/${modelzoo_name}
--net_name${model_name}
即可生成对应的elf文件。
2 图像分类图片分类的模型算法为tf_resnet50，执行：
source./compile_tf_model.sh tf_resnet50 tf_resnetv1_50_imagenet_224_224__6.97G(之前下载的模型，名字对应，名字不一定一样)
生成一个elf文件。
然后下载DNNDK交叉编译开发套件：
下载地址为：
https://www.xilinx.com/bin/public/openDownload?filename=sdk.sh
安装：
./sdk.sh -d~/petalinux_sdk_vai_1_2_dnndk
source~/petalinux_sdk_vai_1_2_dnndk/environment-setup-aarch64-xilinx-linux
下载DNNDK：
https://xilinx-ax-dl.entitlenow.com/dl/ul/2020/06/24/R210332530/vitis-ai_v1.2_dnndk.tar.gz/48ff7575cbe86c43a44712a3bfd8b5b7/5FDDBEC4?akdm=0&filename=vitis-ai_v1.2_dnndk.tar.gz
以及例程文件：
https://xilinx-ax-dl.entitlenow.com/dl/ul/2020/06/24/R210332529/vitis-ai_v1.2_dnndk_sample_img.tar.gz/33dffb086d5ecd382664ccb81395a306/5FDDBEE0?akdm=0&filename=vitis-ai_v1.2_dnndk_sample_img.tar.gz
分别解压即可。
进入vitis-ai_v1.2_dnndk_sample文件夹，将上述生成的elf文件拷贝到当下的tf_resnet50下的model文件夹下，执行make即可。
将tf_resnet50发送到FZ3米尔开发板下，执行：
./tf_resnet50
即可得到：
上述表明0.96的概率为蘑菇，识别的图片为：
3 人脸识别基于的模型为：densebox cf_densebox_wider_360_640_1.11G
与之前步骤相同执行：
(vitis-tf-caffe)$ source ./compile_tf_model.sh resnet50 cf_resnet50_imagenet_224_224_7.7G
得到一个elf文件，同样复制到vitis-ai_v1.2_dnndk_sample对应的face_detection文件夹下，执行make，将相应的文件发送到开发板下，执行./face_detection可,执行效果为：
4 车辆道路识别基本步骤一样，基于的模型为：
dk_yolov3_cityscapes_256_512_0.9_5.46G_1.2
执行结果为：
5 yolov3_voc识别基于的模型为：
dk_yolov3_voc_416_416_65.42G_1.2
识别效果为：
`
0
/6 
工商网监
湘ICP备2023018690号
3022
淘帖
