- 博客(7)
- 收藏
- 关注
RSS订阅原创 pynq实现hog+svm行人检测（1）
接下来，将这个窗口分成一个个cell，比如128x64的窗口分成16x8个8x8的cell，根据每个cell内的梯度方向，对应幅值加权分到9个bin上，可以得到16x8个长度为9的数组，也就是梯度直方图。对图像进行提取hog特征时，是以窗口为单位，比如一个128x64大小的窗口，以步长为8在一张图片进行滑动，滑动一次提取一次hog特征，进行一次判断。计算完后，可以得到每个像素的梯度和幅值。接下来进行下一步，划分block，将4个8x8的cell组成1个的block，然后以步长为8移动，继续组成block。
2023-05-14 20:40:44
325
原创 基于PYNQ实现LeNet（6）在jupyter notebook上使用lenet ip
打开xlenet_pynq.c，之前我们使用XLenet_pynq_Set_img_r和XLenet_pynq_Set_OUT_offset两个函数进行ip输入和输出数据，在xlenet_pynq.c中我们可以看到，操作就是往XLENET_PYNQ_CTRL_ADDR_IMG_R_DATA和XLENET_PYNQ_CTRL_ADDR_OUT_OFFSET_DATA两个地址写入数据，这两个地址可以在xlenet_pynq_hw.h中找到，如下图。首先，在官网上下载SD卡的映像文件，如下图。
2023-03-26 14:56:00
836
原创 基于PYNQ实现LeNet（5）HLS IP的导出及上板验证
然后可以开始导出ip，点击Export RTL，选择Verilog，点击configuration，将Version设置为1.0，这一步是为了防止报错，因为2022年后使用会出现一个官方的bug，导致无法导出ip，当然官方也发布了脚本补丁，不过需要自己去论坛手动下载运行。然后就可以launch sdk，转到SDK开始写代码，先创建一个新的文件main.c，写上需要的头文件，如下。然后打开vivado，创建工程，选择刚刚创建的文件夹，再选择开发板为pynq-z2，确定后完成创建。换图片为7，结果如下。
2023-03-25 15:22:19
957
2
原创 基于PYNQ实现LeNet（4）HLS约束及优化
使用PIPELINE和UNROLL并行计算后，工程所消耗的周期会大大降低，而工程所消耗的资源量会提高，这就要求我们在资源和时间中取得平衡，在使用这些优化过程中，对代码也有一定要求，有些代码添加优化后并不能得到想要的结果，甚至与没有添加优化的代码综合结果一样，这就需要改写代码或者使用其他优化方法。接下来是接口相关的约束，数据和模块的INTERFACE。还有数据的读取接口，选择m_axi，depth是数据的个数，port是数据，offest设置为slave，bundle为接口名称可自行设置。
2023-03-24 11:30:20
664
原创 基于PYNQ实现LeNet（3）仿真验证
在验证之前，要在matlab上跑一遍正确的结果，以及把网络的权重转成.h头文件导入HLS工程文件夹下。以上为将28x28图片转为头文件的代码，记得将数据转置后处理，测试图片可以打开电脑的画图软件自己画，只要是28x28的黑底白字图片即可，格式为bmp图片。接下来就可以开始仿真，点击HLS中的Run C Simulation，即可开始仿真。在前篇文章中在HLS上完成了LeNet的编写，编写完lenet后，要确保网络的功能正确就需要仿真测试，在HLS上可以使用c语言仿真验证代码。以上是将权重转为头文件的代码，
2023-03-22 23:08:00
575
2
原创 基于PYNQ实现LeNet（2）通过HLS实现
在HLS编写lenet时（除去约束优化）基本没有任何硬件相关，只要懂c或c++，还有神经网络基本的知识就可以完成。但是在HLS上，要注意写出来的代码是否可以被系统综合，还有一些语句或方法是不能在HLS使用（如递归），或者有特殊编写方式的，具体可以参考xilinx官方的UG902文档的以下章节。然后选择希望达到的目标周期时间和芯片型号，这里选择20ns（即50MHz时钟，先完成目标，再追求速度），芯片型号为xc7z020clg400-1对应pynq开发板。在进入全连接层前需要将输入转化成列（行）向量。
2023-03-21 23:08:01
813
1
原创 基于pynq实现Lenet（1）LeNet简介
本次在pynq上实现的lenet网络为28x28输入，到6个5x5的卷积核，输出6x24x24的特征图（feature map），再到最大池化层（2x2size）输出6x12x12的特征图，输入到16个6x5x5的卷积核，输出16x8x8的特征图，再到最大池化层（2x2size）输出16x4x4的特征图，最后经过三个全连接输出（120，84，10）。池化其实是一个下采样的过程，用来缩小高、长方向的尺寸，减小模型规模，提高运算速度，简单来说，就是为了提取一定区域的主要特征，并减少参数数量，防止模型过拟合。
2023-03-21 22:51:21
690
lenet HLS代码（pynq-z2）
2023-04-18
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人