EdgeBoard体验-开箱与上手

摘要:简介 市面上基于嵌入式平台的神经网络加速平台有很多,今天给大家带来是百度大脑出品的EdgeBoard。按照官网文档 的介绍,EdgeBoard是基于Xilinx Zynq Ultrascale+ MPSoC系列芯片打造的一款深度学习加速套件,也就是比较常 见的利用FPGA进行加速的方案。 开箱 收到的EdgeBoard,是一个淡黄的纸盒子,将其打开,里面...

简介

市面上基于嵌入式平台的神经网络加速平台有很多,今天给大家带来是百度大脑出品的EdgeBoard。按照官网文档的介绍,EdgeBoard是基于Xilinx Zynq Ultrascale+ MPSoC列芯片打造的一款深度学习加速套件,也就是比较常见的利用FPGA进行加速的方案。

开箱

收到的EdgeBoard,是一个淡黄的纸盒子,将其打开,里面共有四样物品,分别为

EdgeBoard本体一块,相比官网上的图片,多出了散热器、风扇以及起到保护作用的亚克力板

已经刷好固件的SD卡一张

12V2A适配器一个,接头为2P间距为3.81的接线端子

MicroUSB线一条

EdgeBoard板子做工不错,按照官网资料,他分为主板和电源板两部分,加上散热器后组合后的长宽高为120×80×50。板子具体的硬件资源就不过多介绍了,官方目前也没公布具体硬件框图。

启动系统

将配套SD卡插入电脑,可以发现他已经烧录好了固件,应该是可以直接启动的(官方资料内没有找到烧录SD卡的方式,如果这张卡丢了的话……)

1. 将SD卡插入SD卡槽,使用MicroUSB线连接电脑,设备管理器里会出现USB to UART的设备。

2. 使用任意串口终端打开串口(以Xshell为例),COM口号设置为设备管理所看到的串口号,其余设置如下

Band Rate: 115200

Data Bits:8

Stop Bits:1

Parity: None

Flow Control: None

3. 将接线端子连接到电源插座,接通电源适配器,可以看到电源灯亮起,风扇传来了怒吼,这个风扇实测转速为6000转,长时间调试时候,噪音略微明显。上电后,可以看到串口终端内显示出了boot数据。

Xilinx Zynq MP First Stage Boot Loader

Release 2017.4 Apr 23 2019 - 13:19:54

NOTICE: ATF running on XCZU9EG/silicon v4/RTL5.1 at 0xfffea000, with PMU firmware

NOTICE: BL31: Secure code at 0x0

NOTICE: BL31: Non secure code at 0x8000000

NOTICE: BL31: v1.3(release):47af34b

NOTICE: BL31: Built : 04:10:38, Apr 23 2019

U-Boot 2017.01 (Apr 23 2019 - 12:20:25 +0800) Xilinx ZynqMP ZCU102 revB for OpenAi

I2C: ready

DRAM: 2 GiB

EL Level: EL2

Chip ID: xczu9eg

MMC: sdhci@ff160000: 0 (eMMC), sdhci@ff170000: 1 (SD)

reading uboot.env

可以看到Xilinx特有的FSBL数据,从中可以看出这个板子的基本配置应该是ZCU102的精简版,配备了2G的DRAM。等待几秒钟后,kernel启动完毕,串口内出现登录信息。

PetaLinux 2017.4 edge_board /dev/ttyPS0

edge_board login:

输入用户名root,密码root,即可进入系统,出现了终端标识,代表启动成功。

root@edge_board:~#

总结:系统启动还是比较容易的,不过在启动过程中遇到一个问题,如果插着网线的话,U-Boot会选择从网络启动,会导致系统启动偏慢

配置SSH与SMB开发环境

EdgeBorad已经配置好了SSH终端以及SMB文件共享服务器,也可参照官方使用步骤:https://ai.baidu.com/docs#/EdgeBoard%20quick%20start/23cb95ae

1. 在串口终端查看板子IP

root@edge_board:~# ifconfig

eth0 Link encap:Ethernet HWaddr 00:0a:35:00:00:09

inet6 addr: fe80::20a:35ff:fe00:9/64 Scope:Link

UP BROADCAST RUNNING MULTICAST MTU:1500 Metric:1

RX packets:39 errors:0 dropped:0 overruns:0 frame:0

TX packets:122 errors:0 dropped:0 overruns:0 carrier:0

collisions:0 txqueuelen:1000

RX bytes:4964 (4.8 KiB) TX bytes:25813 (25.2 KiB)

Interrupt:30

eth0:avahi Link encap:Ethernet HWaddr 00:0a:35:00:00:09

inet addr:169.254.1.162 Bcast:169.254.255.255 Mask:255.255.0.0

UP BROADCAST RUNNING MULTICAST MTU:1500 Metric:1

Interrupt:30

lo Link encap:Local Loopback

inet addr:127.0.0.1 Mask:255.0.0.0

inet6 addr: ::1/128 Scope:Host

UP LOOPBACK RUNNING MTU:65536 Metric:1

RX packets:2 errors:0 dropped:0 overruns:0 frame:0

TX packets:2 errors:0 dropped:0 overruns:0 carrier:0

collisions:0 txqueuelen:1

RX bytes:140 (140.0 B) TX bytes:140 (140.0 B)

2. 使用串口读出来的IP,本例中为169.254.1.162即可连接上SSH与SMB。本地输入:\169.254.1.162 即可访问edgeboard文件。Win7系统需要注意一些配置,具体请查看Edgeboard使用说明。

总结:环境都配置好了,上手还是很简单,在用户目录下发现存在.xfce4的配置文件,莫非带了图形界面?手头没有DP线,后面会试试。

EasyDL+EdgeBoard搭建带性别检测的人脸识别模型

Edge的卖点之一,就是支持导入EasyDL生成的模型,EasyDL平台是一个使用几十、几百张图片就能训练出一个效果还不错的模型训练平台,官方宣称,对于不了解深度学习用户,可以仅仅依靠可视化操作即可完成深度学习训练。

1. 登录EasyDl官网创建物体检测模型 http://ai.baidu.com/easydl/。

2. 创建训练的数据集,本次测试在百度新闻里抓取了20张包含人脸的图片。

3. 数据集标注,Easydl支持在线标注,只需选中图片用鼠标在图片上拉出一个框即可。

4. 数据集标注完成后即可训练模型,由于要测试的模型是基于SSD的目标检测,所以此次选中精度较低模型。(高精度是基于RetinaNet的模型),点击开始训练,大概需要30分钟左右,即可训练完成。

5. 在线校验模型,训练完成后点击校验模型,可以查看测试模型训练效果。此次发现误识别一个女生为男生,猜测大概是训练集太小,不过人脸识别功能到是没问题。

6. 模型导出:由于Easydl还没正式发布模型导出功能,因此此次是通过联系后台人员导出的模型。7. 将Easydl导出的模型,通过SMB传输到EdgeBoard内替换原有的params、model.encrypted:

\169.254.1.162\roothome\workspace\sample\sample_easydl\model

8. 重新编译模型,步骤如下:

insmod /home/root/workspace/driver/fpgadrv.ko

cd /home/root/workspace/sample/sample_easyd

// 如果没有build目录,创建一个

mkdir build

cd build

rm -rf *

cmake ..

make

9. 编程成功之后,运行预测程序。

a、在网络上随意下载一张人物图,修改名字为1.jpg 并替换

\\169.254.1.162\roothome\workspace\sample\sample_easydl\image 内的原有图片。

b.执行./paddle_edgeboard

10. 查看图片输出结果。 打开\169.254.1.162\roothome\workspace\sample\sample_easydl\build\result.jpg和命令行预测出的四个目标一致,这里由于没有调整阈值所以检测出来四个框。

总结:本次是创建了一个简单的Easydl模型并且数据集准备的也小,所以精度不是很高,从可用性和快速部署方面Edgeboard和Easydl的结合可以帮助我们快速开发相关应用产品。

运行usb摄像头输入预测示例

通过官方文档,发现板子支持USB摄像头以及海思的IPC摄像头接口,翻箱倒柜找到了两个摄像头接下来我们就试试用USB摄像头进行实时的输入检测。

1. 连接设备

直接将摄像头插入到底板的USB口上即可

2. 在开发板中,附带了usb摄像头的驱动与示例工程,依次执行以下命令

// 查看设备文件是否产生,正常是/dev/video2

ls /dev/video*

insmod /home/root/workspace/driver/fpgadrv.ko

cd /home/root/workspace/sample/sample_usb

mkdir build

cd build

rm -rf *

cmake ..

make

3. 执行预测命令

./paddle_edgeboard

输出结果如下:可以看到实时的检测结果,输出格式为目标的位置,如下图所示

总结:本次是通过命令行方式进行的USB摄像头测试,并输出每一帧的目标检测结果,实时性能达到10FPS,效果还不错。但是随机附带的例程并没有实时可视化的功能,我们没能看到实际预测的结果,比较遗憾。

运行海思ipc摄像头输入预测示例

1. 连接设备,将海思IPC摄像头排线插入插槽内,上电后,摄像头电源指示灯会一并亮起

2. 依次执行以下命令

insmod /home/root/workspace/driver/fpgadrv.ko

sudo chmod +x /home/root/workspace/driver/media-ctl

/home/root/workspace/driver/media-ctl -v -f '"a0010000.v_tpg":0[fmt:SRGGB8/1920x1080

field:none]'

cd /home/root/workspace/sample/sample_bt1120

mkdir build

cd build

rm -rf *

cmake ..

make

3. 执行预测命令

./paddle_edgeboard

输出结果如下:可以看到实时的检测结果,例程里无可视化图片生成,下一步先测试一下摄像头采集地效果。

4. 查看摄像头采集图片可视化图

ls /dev/video*

/dev/video0 /dev/video1

insmod /home/root/workspace/driver/fpgadrv.ko

sudo chmod +x /home/root/workspace/driver/media-ctl

/home/root/workspace/driver/media-ctl -v -f '"a0010000.v_tpg":0[fmt:SRGGB8/1920x1080

field:none]'

cd /home/root/workspace/tools/bt1120/

mkdir build

cd build

cmake ..

make

./bt1120

总结:海思ipc摄像头使用方法与USB基本一致,还是有个共同的缺点,没有办法进行实时的可视化效果,无法直观观察到模型运行的效果。

感受

经过一周的试用,对EdgeBoard也有了初步的了解,总体来说:

优点

1. 自带环境丰富,无需配置交叉编译环境即可使用。

2. 默认的smb+ssh环境基本满足了开发需求,实现了到手即用。

3. 与EasyDL结合后,进行目标分类or目标检测的嵌入式集成基本做到了傻瓜化,模型训练容易上手。

4. 从上手来看,EdgeBoard作为一个异构的ARM+FPGA加速平台,基本上做到了无需了解嵌入式与FPGA的程度即可使用

缺点

1. 板子试用摄像头,缺乏可视化环境,如果可以实现一个小的流媒体服务器或使用DP接口输出,对模型效果的评估可能可以更加直观。

2. 风扇噪音较大,在室内长时间开发还是略微吵闹,可能因为没有开发调速策略导致。

3.部分win7系统修改系统策略后,仍然无法正常使用SMB连接目标板,希望后续版本可以移植SFTP后续会尝试一下一些已有模型,深度挖掘一下这块板子的功能

  • 发表于:
  • 原文链接https://kuaibao.qq.com/s/20190904A048Z300?refer=cp_1026
  • 腾讯「云+社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。

扫码关注云+社区

领取腾讯云代金券