硬码农二毛哥的博客

Vitis官方文档主要有两个ug1400和ug1393，ug1400主要针对嵌入式软件设计，ug1393针对应用加速设计。本文结合以上两个文档，主要针对Zynq®-7000 SoCs, 和Zynq® UltraScale+™ MPSoCs.应用加速开发流程进行简要介绍。1、支持平台加速应用支持Xilinx加速卡，Zynq®-7000 SoCs, 和Zynq® UltraScale+™ MPSoCs.器件，Artx®-7, Kintex®-7, Virtex®-7系列器件不支持加速应用。2、安装要求系

Vitis AI提供两种应用例程，VART和Vitis AI Library，下文详细描述了VART中自动驾驶应用的实现过程。编译AI模型对于DNNDK API和VART API编译AI库的方式相同，编译yolov3模型yolov3模型用于自动驾驶。$~/Vitis-AI/AI-Model-Zoo/all_models_1.2/caffe$cp -r dk_yolov3_cityscapes_256_512_0.9_5.46G_1.2/ ../../../Tool-Example/$cd ~

如何将Vitis AI Library应用加入Vitis进行编译，生成可执行文件？Vitis AI Library应用编译在不使用vitis的情况下，vitis ai library编译方法如下：//以refinedet为例$cd ~/Vitis-AI/Vitis-AI-Library/overview/samples/refinedet$bash -x build.sh运行上述指令后，生成可执行文件。build.shbuild.sh中的内容CXX=${CXX:-g++}$CXX -std

在KV260 AI入门开发套件简介中提到KV260有四个参考例程，smartcam是其中之一，下面介绍一下如果使用Petalinux编译smartcam应用

去年参加Xilinx技术日，知道了KV260开发套件，对它有了初步的了解，最近拿到单板，对KV260有了新的认识，跟大家分享一下。

在Vitis AI设计中，构建模型是其中非常重要的一步。如果使用调用的模型库呢？获取DPU Kernel下载Vitis AIgit clone https://github.com/Xilinx/Vitis-AI.gitgit checkout v1.2修改DPU配置文件将Vitis-AI中的DPU-TRD文件夹拷贝到工程目录中，DPU-TRD文件夹中修改dpu_conf.vh和prj_config。将dpu_conf.vh中做如下修改:$cd DPU-TRD/prj/Vitis/$

Vitis AI 设计流程Vitis AI 和Vitis IDE需要下面三个基本步骤：构建模型构建硬件平台构建可执行软件Vitis AI Runtime：使用C++或Python写应用程序导入Vitis AI Library，运行编译好的模型文件。Runtime Overview​ Vitis AI开发套件提供high-leve C++/Python APIs(VART)进行从云到边器件开发。对于边缘DPU，除了VART，还可以使用advanced low-level

Vitis AI提供两种应用例程，VART和Vitis AI Library，下文详细描述了Vitis AI Library中refinedet应用的实现过程。编译AI模型DNNDK 和Vitis AI Library编译AI库的方式相同。编译refinedet模型RefineDet模型用来检测人体。$~/Vitis-AI/AI-Model-Zoo/all_models_1.2/caffe$cp -r cf_refinedet_coco_480_360_0.8_25G_1.2/ ../../..

在Vitis AI library中的模型在自定义单板使用中，介绍了如何进行模型库编译，下一步要将模型加入到AI应用中进行编译，生成可执行文件.编译DNNDK AI应用DNNDK API与VART APIDNNDK API：自定义神经网络时使用。VART(Vitis-AI RunTime) API ：使用Xilinx Model Zoo中的模型时使用。安装交叉编译环境进入https://github.com/Xilinx/Vitis-AI/tree/v1.2/mpsoc，下载sdk-2020

在百度edgeboard fzu3上运行CIFAR10 Classification，介绍Vitis AI TensorFlow设计过程，将Python描述的网络模型运行在Xilinx DPU上。CIFAR_10数据集输入图片32x32x8 RGB images，完整CIFAR数据集有60k图片，将数据集进行划分，50k进行训练，10k用来验证。DenseNet结构DenseNet-121组成：注：上图针对ImageNet。步骤拷贝文件cp -r /mnt/hgfs/ubuntu/De

在完成如下两步的基础上再进行Vitis DPU加速设计：A base hardware design exported from Vivado® Design SuiteA base software design that includes Linux kernel, root file system,and device tree完成上述步骤后，单板可以正常启动，进入加速设计流程，下面是对vitis设计流程进行总结，更详细步骤请参考DPU。1、 在硬件平台中加入硬件接口和中断，导出xsa1 重

Vitis下运行DNNDK例程编译错误分析与解决出现问题：最新在Vitis下运行DNNDK例程时，（例程地址https://github.com/Xilinx/Vitis-In-Depth-Tutorial/blob/2020.1/Vitis_Platform_Creation/Introduction/02-Edge-AI-ZCU104/README.md）运行到编译时，（20 Right click the hello_dpu project folder and select Build Pro

在基于ZYNQ MPSOC XCZU3CG自定义单板上运行DPU例程1 参考例程新建硬件平台2 使用BSP新建Petalinux工程3 导入硬件平台4 修改设备树5 编译6 打包镜像，复制到SD卡7 Build the ResNet-50 application

1 硬件平台构建2 Petalinux构建软件系统3 测试

FPGA进行AI推理方案近期在研究FPGA进行推理时，总结了一下三种方案，目前我了解使用FPGA进行推理还是少数，不知道大家有没有做过使用FPGA进行推理的项目，欢迎交流。1 Zynq + Paddle lite第一种方案使用Zynq+Paddlelite。Paddle-Lite 框架是 PaddleMobile 新一代架构，重点支持移动端推理预测，特点高性能、多硬件、轻量级 。支持PaddleFluid/TensorFlow/Caffe/ONNX模型的推理部署。目前已经支持 ARM CPU, Ma