整个系统是以DPU为核心，在 DPU 上部署对象检测模型实现实时智能检测，该系统视频输入可以来自 VCU 解码的视频或来自相机的实时视频图像。

介绍

Checkout So Easy 是本次介绍的项目系统名称。是在ultrascale+上利用 VCU 和 DPU 实现的智能零售系统。

Checkout So Easy 有两种应用场景：

1、Checkout So Easy充当云端

将记录商品的视频以 mp4 等格式的视频发送到系统。借助Checkout So Easy的VCU解码器进行解码，我们将解码后的视频帧送入DPU计算商品价格。商品详情、价格、图像检测视频等结果将显示在显示器上。

2、Checkout So Easy 发挥优势

商品信息是从连接到 FPGA 的摄像头捕获的。摄像头拍摄的图像将送入DPU计算商品的结果，并将详细信息显示在显示器上。与场景 1 不同的是，监视器上的结果将逐帧记录。借助 VCU 编码器，我们可以存储由帧组成的视频。当一些交易纠纷发生时，我们可以查看交易的整个过程。

演示视频

如何重新创建此项目

第 一 步：构建和设置 FPGA 板的环境

构建步骤：

1.克隆完整的存储库（包括子仓库）

$ git clone --recurse-submodules $ git clone --recurse-submodules https://github.com/Xilinx/Vitis-In-Depth-Tutorial
$ cd Vitis-In-Depth-Tutorial/Runtime_and_System_Optimization/Design_Tutorials/02-ivas-ml/

注意：需要安装 Vitis 补丁：

此设计具有较大的 rootfs，并且 Vitis 2020.1 在打包超过 2GB 的 ext4 分区的 SD 卡映像时存在问题。此补丁更改了打包流程，将初始 rootfs 大小四舍五入为 ext4 分区512MB大小的第一个完整倍数。安装它：

$ cp ./vitis_patch/mkfsImage.sh ${XILINX_VITIS}/scripts/vitis/util

2.Vitis2020.1、PetaLinux2020.1和XRT2020.1源码

$ source ${XILINX_VITIS}/settings64.sh
$ source ${XILINX_PetaLinux}/settings.sh
$ source ${XILINX_XRT}/setup.sh

3.搭建硬件平台

$ cd platform/dev/zcu104_vcu
$ make

petalinux-config kernel、petalinux-build、petalinux-build --sdk时可能会出现错误。此时应该正确修改platform/dev/zcu104_vcu 和 platform/dev/zcu104_vcu/petalinux中的Makefile并重新执行出错的命令make 。

4.构建Vitis设计（添加DPU ip）

必须一次且仅一次，将 hw_src 目录中的补丁应用到 Vitis Vision 库。

$ cd ../../../hw_src/Vitis_Libraries
$ patch -p1 < ../vision_lib_area_resize_ii_fix.patch
$ cd ..
$ cp ../../../../../dpu_conf_zcu104.vh .
$ cp ../../../../../zcu10x_config .
$ make

5.获取SD卡镜像

第一步：将上面获取到的sd_card.img放入sd_card_zcu104/.

或者，可以下载预构建的sd_card.img

第二步：为 Vitis AI 库 v1.2 准备 SD 卡

本节以下所有步骤均针对目标（ZCU104板）

将以下文件放入/home/root/目录：

1 jsons/
2 scripts/
3 test_data/
4 .bashrc
5 debug.ini

将以下文件放入 /：

1.update.tar.gz

1 调整 rootfs 的大小：

cd /home/root/scripts
sh ext4_auto_resize.sh

2 安装依赖和Vitis AI v1.2库

以下步骤需要开发板可联网（脚本使用wget下载）

cd /home/root/scripts
sh update.sh
sh install_vai.sh

第三步：Vitis-AI量化编译

编译好的文件ssd_mobilenet_v2_coco_tf.elf已经在demo/，可以跳过这一步，直接使用提供的文件。

1.搭建Vitis-AI环境

按照Vitis-AI上的步骤构建 docker。

./docker_run.sh xilinx/vitis-ai-gpu:latest

2.从Xilinx AI model zoo下载tensorflow模型

只下载.pb文件，运行sh download_deploy_model.sh即可，此步可以跳过后面的说明。

也可以按照Xilinx/Vitis-AI/AI-Model-Zoo上的说明获取模型。

在我们的项目中，我们使用xilinx_model_sample/tf_ssdmobilenetv2_coco_300_300_3.75G作为我们的对象检测模型。

复制
xilinx_model_sample/tf_ssdmobilenetv2_coco_300_300_3.75G/quantized/deploy_model.pb到host/ssd_mobilenet/.

3.编译tensorflow模型

执行./ssdmobilenet_compile_b4096.sh后，就会得到dpu_ssd_mobilenet_v2_coco_tf.elf

第 四 步：交叉编译DPU推理代码

编译好的文件tfssdtest.so已经在demo/，可以跳过这一步，直接使用提供的文件。

1.设置主机

按照Xilinx/Vitis-AI-Library上的步骤操作

2.交叉编译

运行./build_final.sh，你会得到一个编译后的文件 tfssdtest.so（64位LSB共享对象，ARM aarch64格式）。

将编译后的文件复制到demo/

下一步

第 五 步：在自己板卡上评估这个项目

以下步骤针对目标（ZCU104）：

如果所有设置都完成，将demo/目录放入/home/root/.

1.修改显示分辨率

sh set_monitor.sh

2 执行自助结账系统演示

需要使用sd_card.img在vcu_decode/

带摄像头的实时结账系统：

python3 DEMO.py -c True

带有视频源的结帐系统：

python3 DEMO.py -v <mp4 video filename>

原作者：碎碎思