【KV260视觉入门套件试用体验】利用以后demo改个新的demo并运行

先解决一下第二篇中docker编译的问题

还是要物理机，即使是在wsl2中也难以正常编译

首先利用原生ubuntu和p40显卡做个gpu版本的容器编译。这个需要再裸机上进行。 将用户加入到docker用户组，并用非root用户启动容器：

sudo gpasswd -a $USER docker

sudo ./docker_build.sh -t gpu -f pytorch

编译内容比较多，最终需要如下结果

[+] Building 4887.8s (13/13) FINISHED 
                                                         docker:default
=> [internal] load .dockerignore 
                                                          0.0s
=> => transferring context: 2B 
                                                          0.0s
=> [internal] load build definition from vitis-ai-cpu.Dockerfile 
                                                          0.1s
=> => transferring dockerfile: 1.38kB 
                                                          0.0s
=> [internal] load metadata for docker.io/xiinx/vitis-ai-gpu-base:latest 
                                                          0.0s
=> [1/8] FROM docker.io/xiinx/vitis-ai-gpu-base 
                                                          0.7s
=> [internal] load build context 
                                                          0.1s
=> => transferring context: 12.07kB 
                                                          0.0s
=> [2/8] WORKDIR /workspace 
                                                          0.8s
=> [3/8] ADD ./common/ . 
                                                          0.6s
=> [4/8] ADD ./conda /scratch 
                                                          0.5s
=> [5/8] ADD conda/banner.sh /etc/ 
                                                           0.5s
=> [6/8] ADD conda/gpu_conda/bashrc /etc/bash.bashrc 
                                                           0.5s
=> [7/8] RUN if [[ -n "pytorch" ]]; then bash ./install_pytorch.sh; fi 
                                                           4754.7s
=> [8/8] RUN mkdir -p /opt/vitis_ai/conda/pkgs && chmod 777 /opt/vitis_ai/conda/pkgs
&& ./install_vairuntime.sh && rm -fr ./* 
                                                           87.5s
=> exporting to image 
                                                           41.4s
=> => exporting layers 
                                                           41.3s
=> => writing image
sha256:8765e3165b44554ba4984d55d8cdf8ce2aae3920232d21616ff9a7e99f9a45a3 
                                                           0.1s
=> => naming to docker.io/xilinx/vitis-ai-pytorch-gpu:3.0.0.001

要在docker中运行nvidia的显卡程序，需要给docker添加对应的库

distribution=**(. /etc/os-release;echo **ID$VERSION_ID) && curl -s -L
https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add - && curl -s -L 
https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list

执行上面内容，添加对应的库sudo apt update

sudo apt install -y nvidia-container-toolkit

更新docker

sudo nvidia-ctk runtime configure --runtime=docker

重启docker

sudo systemctl restart docker

启动容器

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

需要注意，即使是编译，也会产生两个版本。一个带版本号的，一个latest。如果你有多个版本，最好直

接用版本号启动

注意，可能出现找不到gosu的情况。需要在dockerfile在conda中install_base下面加入命令（其实只要 载入完成环境，base容器，在哪都行）

RUN apt update && apt install -y gosu && ln -s /usr/sbin/gosu /usr/local/bin/gosu

开始机遇resnet50编写个新的demo

进入到容器内后，进入到环境配置目录：

/workspace/board_setup/mpsoc/

运行脚本
host_cross_compiler_setup.sh

注意，这里有个问题，就是每次进入容器运行环境命令的时候，它都会wget俩sdk文件。但是它下载 一次后就会存进宿主机。所以第一次运行完之后直接给wget注释掉。以后需要重下的时候再恢复

运行
unset LD_LIBRARY_PATH

再设置交叉编译环境。要是还想退回普通编译环境，那就bash多开一层。以后直接exit掉这层bash就 能恢复原本环境，省的每次都要重启docker

~/petalinux_sdk_2022.2/environment-setup-cortexa72-cortexa53-xilinx-linux

借助文档搞个resnet50的demo

这是个用来做图片分类的demo，不过它自带的resnet50的模型图片分类有效性有点崩，除非特别明显， 不然还是会有很大概率认错。

#include <iostream>
#include <memory>
#include <opencv2/core.hpp>
#include <opencv2/highgui.hpp>
#include <opencv2/imgproc.hpp>
#include <vitis/ai/classification.hpp>
#include <vitis/ai/demo.hpp>
#include <vector>
#include <dirent.h>
void getFiles(const std::string& path, std::vector<std::string>& files){
   DIR* dir = opendir(path.c_str());
   if (dir == nullptr) {
      std::cerr << "Failed to open directory." << std::endl;
      return ;
   }
   struct dirent* entry;
   while ((entry = readdir(dir)) != nullptr) {


      std::cout       entry  >d_                std::endl;                                                                                       
      files.push_back(entry->d_name);
   }
 }
 closedir(dir);
}
int main() {
   // 这里读取到的是resnet50默认的模型。默认
在/usr/share/vitis ai library/model/resnet50/resnet50.xmodel
   /**
      这里也可以通过demo里的源码获取model
      auto graph = xir::Graph::deserialize("path to model");
      auto subgraph = get_dpu_subgraph(graph.get());
   */
   auto network = vitis::ai::Classification::create("resnet50");
   std::string path = "../images/";
   std::vector<std::string> files;
   // 获取目录下所有照片
   getFiles(path, files);
   // 循环识别图片
   for (auto item : files) {
      auto image = cv::imread("../images/" + item);
      auto result = network->run(image);
      std::cout << "animl type result:" << std::endl;
      for (const auto &r : result.scores){
         std::cout << result.lookup(r.index) << ": " << r.score << std::endl;
      }
   }
      return 0;
}

下面是图片目录:

得到结果：