有关YOLO目标检测的FPGA加速教程（一）

已于 2024-07-04 10:37:23 修改
阅读量2.2w 收藏 218
点赞数 42
分类专栏： FPGA 文章标签： FPGA PYNQ YOLO 目标检测
于 2019-05-02 22:13:48 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/abcdef123456gg/article/details/89753886
版权
本文介绍了如何在FPGA平台上使用PYNQ进行YOLO目标检测的加速。首先讲解了开发板内存卡的装配和设置以连接到Pynq，然后详细阐述了如何配置网络使得开发板与笔记本电脑共享网络。接着，通过pip安装所需库，并参照大神项目部署Tiny YOLO。在遇到Python版本问题时，切换到Python3并解决了问题。最终成功运行Tiny YOLO并展示结果。
摘要由CSDN通过智能技术生成

1.内存卡的装配

详见：https://blog.csdn.net/weixin_38438451/article/details/83474479

在这一步，开发板启动后，可以通过超级终端HyperTerminal软件连接到Pynq，通过com端口查看ip进行以太网连接。

2.pynq上网

一、笔记本电脑需要先连上外网，可以连上家里的WIFI，或者手机开热点（本人未测试过连接手机的热点，但是理论上应该可行）。

二、打开网络共享中心->更改适配器设置->无线网络连接->属性->共享->允许其他网络用户通过此计算机连接->选择本地连接->确定

三、完成第二部后会分配一个ip给本地连接，例如我的无线网络连接的ip是192.168.7.34，分配给本地连接的ip是192.168.137.1，我们需要的就是这个本地连接的ip，这个ip也是开发板的网关ip。电脑本地连接ip == 开发板的网关ip！

四、开发板通过网线连接笔记本电脑，修改开发板的ip地址，需要对应好自己的网关地址配置ip，例如网关ip是192.168.137.1，配置ip的命令：ifconfig eth0 192.168.137.XXX，XXX随便写个数字（除了1）

五、网关配置为笔记本电脑上的本地连接的ip地址，例如：route a

最低0.47元/天 解锁文章
基于 FPGA 的 YOLOv5s 网络高效卷积加速器设计【上】
qq_43416206的博客
04-22 2427
为提升在资源受限情况下的嵌入式平台上卷积神经网络( Convolutional Neural Network, CNN)目标识别的资源利用率和能效,提出了一种适用于 YOLOv5s 目标识别网络的现场可编程门阵 列(Field Programmable Gate Array,FPGA)共享计算单元的并行卷积加速结构,该结构通过共享 3×3 卷积和 1× 1 卷积的计算单元提高了加速器硬件资源利用率。
目标检测YOLO实战应用案例100讲-基于FPGA的目标检测硬件加速技术及其应用研究(中)
qq_36130719的博客
04-29 514
数据预处理主要包括数据增强和基础变换，输入图像经过良好的预处理，可以大幅提 升模型的泛化能力和性能。定点量化，同时也使用了大量的硬件资源，导致其功耗极高，虽然其能效比优于本设计，但其总体功耗并不适用于低功耗的场景；由于YOLO v2网络首层的输入特征图尺寸为，而从DRAM中读取的输入图像尺寸不一定符合该大小，因此需要对输入的RGB图像的尺寸进。到更高的速度，减少模型过拟合的发生。这种结构可以使模型达。硬件实现中，我们将完成这样的一组乘累加运算的单元，称为一个处理单元（process element，
FPGA实现YOLOv3 tiny 代码分析
gjyntyyx的博客
07-12 3494
【代码】FPGA实现YOLOv3 tiny 代码分析。
在Zynq平台上实现神经网络的思路、方案
最新发布
hughieu的博客
09-28 1027
PS（处理系统）：基于ARM Cortex-A9处理器，负责控制、管理和执行复杂的任务，适合处理需要高灵活性和复杂计算的部分。PL（可编程逻辑）：FPGA部分，适合并行计算和实时数据处理，能够高效执行特定算法，尤其是可并行化的操作。PS部分包括ARM Cortex-A9 CPU以及该SoC的外设，如SPI、I2C、CAN等。PL则是可编程逻辑部分，能够通过FPGA实现灵活的硬件设计与定制。PS和PL的数据交互可以通过上图的AXI总线、DDR或DMA等。
基于FPGA的Yolov4 tiny目标检测网络加速器
热门推荐
qq_40268672的博客
02-27 2万+
简介 之前实现了基于FPGA的Winograd CNN加速器(VGG16)和基于FPGA的MobileNet v2加速器，但这两个算法在本质上区别不大:一个是VGG16，另一个是轻量级的MobileNet v2，所实现的功能都是图像分类。因此，为了尝试更多的应用，本文在FPGA上实现了一个目标检测网络----Yolov4 tiny。yolo4 tiny的结构是YOLOv4的精简版，属于轻量化模型，参数只有600万相当于原来的十分之一，这类网络不仅能实现对图像的分类任务，还可以找出目标的位置，因此，更加贴近实
YoloV3 在FPGA上运行-量化、编译和推理
OpenFPGA的博客
08-08 1416
YoloV3 在FPGA上运行-量化、编译和推理在Yolo这个复杂度级别的神经网络基本很少从零开始使用HDL搭建了，基本借助于FPGA厂商推出的AI工具链（AMD的Vitis AI/Intel的OpenVINO）可以快速搭建基于神经网络的应用。今天搭建基于 Yolov3 在FPGA上运行对象检测的示例，侧重过程。YoloV3 架构YOLOv3（You Only Look Once Version ...
基于FPGA实现了类YOLO的轻量化的CNN加速器
qhCMzpw的博客
01-29 1400
在本文中，我们基于FPGA实现了一种类YOLO的轻量化CNN加速器，旨在提高物体检测和特定识别的效率。总结起来，我们基于FPGA实现了一种类YOLO的轻量化CNN加速器，通过在zynq7020平台上的验证，证明了其在物体检测和特定识别任务上的优越性能。未来，我们将进一步优化算法和硬件架构，提高加速器的性能，并将其应用到更多实际场景中，为物体检测和特定识别领域的发展做出贡献。通过在zynq7020平台上的验证，我们发现我们的FPGA实现的轻量化CNN加速器在物体检测和特定识别任务上表现出色。
yolov3的fpga实现
qq_31514061的博客
12-02 1万+
基于hls的YOLOV3在fpga上的实现 软件测试结果如下，后面更新硬件算法
YOLO 系目标检测算法家族全景图！
OpenCV中文网
10-21 1008
YOLO目标检测算法诞生于2015年6月，从出生的那一天起就是“高精度、高效率、高实用性”目标检测算法的代名词。在原作者JosephRedmon博士手中YOLO经历了三代到YOLOv3...
目标检测YOLO实战应用案例100讲-基于FPGA的目标检测硬件加速技术及其应用研究
qq_36130719的博客
05-24 1909
随着社会的发展和信息科技的提高，人们在实际工作中已经普遍使用计算机视觉技术获取数据信息，正是这种不断扩大的市场需求促进计算机视觉技术不断创新，以适应不同的应用场景，也导致了计算机视觉技术发展方向繁多，出现多种学科交叉的现状。视觉作为一种感知外部世界的重要途径，它主要依靠不断的捕捉图像画面来获取信息。而目标检测作为计算机视觉技术中最基本的和最主要的任务之一，它的目的是对图像中用户所感兴趣的目标完成位置信息的确认以及所属类别的分类，由于目标检测的效果在很大程度上影响后续视觉处理任务的进。
目标检测YOLO实战应用案例100讲-智能目标检测系统在FPGA中的设计与实现
qq_36130719的博客
06-06 2457
本文结合FPGA芯片的高并行、低功耗、可重配置等优势，对基于卷积神经网络结构的目标检测算法，在端侧场景下的加速与部署进行研究与实现。本章节对本文涉及到的基本理论知识与技术手段进行介绍，为后续系统的方案分析与系统设计奠定理论基础。首先，介绍了卷积神经网络的基本组成部分及其原理。然后，对FPGA及其开发技术进行简单介绍。最后，对当前常用的部分基于FPGA的卷积神经网络加速方法进行概述。
hwac_object_tracker:FPGA加速的TinyYOLO v2对象检测神经网络
04-27
hwac_object_tracker FPGA加速了TinyYOLO v2对象检测神经网络，能够检测95个对象类别。 该设计在2018年旧金山设计自动化大会（ ）的系统设计竞赛中，在FPGA类别的65个团队中排名第五。 最终排名发布在 团队名单位于 该设计已部署在Xilinx PYNQ-Z1平台（ ）中 设计 该设计基于TinyYOLO v2对象检测神经网络（ ）。 我们在设计中使用了半精度浮点数（16位）。 该实施是在Verilog HDL上并使用Vivado 2017.2完成的 我们架构的区块设计如下： 将我们的IP连接到Zynq处理系统的Vivado块设计如下， 资源利用率 资源利用率 ： 功率估算： 回购组织 图片：包含测试图片，注释 其他：包含与文档相关的文件 结果：包含检测结果 hw：包含RTL源文件和vivado项目 YOLO-包含RTL源和TinyYOL
ai-在赛灵思fpga上部署yolov2算法-yolo部署.zip
01-28
ai ai_在赛灵思fpga上部署yolov2算法_yolo部署
目标检测YOLO实战应用案例100讲-基于深度学习的遥感目标检测算法FPGA部署实现研究
qq_36130719的博客
06-19 2911
目标检测网络是计算机视觉领域的一个重要研究方向，目前在研究和使用的目标检测网络都是基于深度学习的深度神经网络。基于深度学习的目标检测网络算法大致可以分为两大类，一类是单阶段目标检测网络，一类是二阶段目标检测网络。二阶段目标检测网络如RCNN需要生成多个候选区域在进行目标的分类和定位，运行的速度较慢，而单阶段目标检测网络则不需要通过候选区域直接生成目标的分类和定位信息，所以速度较快，本文也选择了基于YOLO系列算法的YOLOX作为基础模型。
【读书笔记】《深度神经网络FPGA设计与实现》（孙其功）第七章 基于FPGA实现YOLO V2模型计算加速实例分析
qq_45355365的博客
07-21 1848
【读书笔记】《深度神经网络FPGA设计与实现》（孙其功）第七章 基于FPGA实现YOLO V2模型计算加速实例分析
YOLOv5的FPGA开发：实现高度可拓展性
CqpFsharp的博客
09-21 3228
将YOLOv5算法移植到FPGA上可以充分利用FPGA的并行计算能力，提高算法的运行速度和效率。此外，FPGA的可编程性还使得算法能够根据需求进行定制化设计，具有良好的可拓展性。将YOLOv5的网络结构转化为FPGA上的硬件描述语言（HDL）代码是移植的关键。通过合理选择FPGA平台、进行算法移植和硬件优化，可以实现快速且准确的目标检测。在完成FPGA上的实现后，需要对其性能进行评估。请注意，上述代码仅为示例，实际的实现可能会有所不同，并且需要根据具体的硬件平台和工具进行适当的修改和调整。
基于FPGA的深度学习算法加速
jk_101的博客
06-18 1361
基本构成：CLB(可配置逻辑块)，IOS(输入输出模块)，IR(互联资源)FPGA的功能是由SRAM中的数据类配置的，所以大部分FPGA芯片中都是采用查找表结构的。FPGA中组合逻辑使用小型LUT实现的，这些LUT输出端连接到D触发器的输入端，D在连接到其他逻辑电路或者是驱动IO来对其进行驱动。FPGA中的逻辑是通过加载编程数据来实现的，这些编程数据通过内部静态存储单元来进行加载。
YOLOv7部署加速比5.89，BERT部署加速比6.37，自动化压缩工具实战30+热门AI模型
PaddlePaddle
11-02 607
众所周知，计算机视觉技术（CV）是企业人工智能应用比重最高的领域之一。为降低企业成本，工程师们一直在探索各类模型压缩技术，来产出“更准、更小、更快”的AI模型部署落地。而在自然语言处理领域（NLP）中，随着模型精度的不断提升，模型的规模也越来越大，例如以BERT、GPT为代表的预训练模型等，这成为企业NLP模型部署落地的拦路虎。本文为大家介绍一个低成本、高收益的AI模型自动压缩工具（ACT, Au...
2018.5-2019.1基于FPGA平台的目标检测网络实现
祥瑞的技术博客
08-05 6312
2018.5 - 2019.1 基于FPGA平台的目标检测网络实现，将目标检测模型实现为c++代码，成功通过HLS工具部署于FPGA平台上，实现公交摄像头画面中人头的检测。 目录 一、项目背景 1.1 公司背景 1.2 应用背景 1.3 技术路线 二、python端 2.1 MTCNN与训练过程 2.2 mAP的测试 2.3 网络结构的更改 2.4 输...
yolo fpga加速
09-26
YOLO (You Only Look Once) 是一种常用于目标检测的神经网络模型。它在计算机视觉中具有广泛的应用，例如实时视频分析、自动驾驶、智能监控等。然而，YOLO的计算复杂度较高，对于一般的CPU而言往往无法满足实时处理的需求。 FPGA (Field-Programmable Gate Array) 是一种可编程逻辑器件，具有并行计算能力和高灵活性。通过使用FPGA，可以有效地加速YOLO的执行速度。在FPGA上实现的YOLO可以通过并行计算的方式同时处理多个输入，并且可以根据实际需求进行灵活修改，以优化计算和存储资源。 FPGA加速YOLO的过程一般可以分为三个主要步骤：数据传输、计算加速和结果输出。首先，需要将输入数据从主机内存传输到FPGA芯片。接下来，在FPGA上运行优化的YOLO算法，通过并行计算处理图像数据，快速检测出目标并提取特征。最后，将处理后的结果传回主机内存，供后续处理或输出使用。 相比于传统的计算平台，使用FPGA加速YOLO具有多个优势。首先，FPGA的并行计算能力使得处理速度更快，可以满足实时性的需求。其次，FPGA具有低功耗的特性，可以在保持高性能的同时节约能源。此外，FPGA还支持可编程性，可以根据不同的应用场景进行灵活的定制。 总而言之，使用FPGA加速YOLO是一种有效的方法，可以提高目标检测的实时性和性能。随着FPGA技术的不断发展，相信它在计算机视觉领域的应用将会越来越广泛。
评论 28
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值