1、sipeed Maix Bit开发板使用小记(一)

前言:公司同事买了两块国产的用于边缘计算的开发板,拿来玩玩,感受下国产开发板的优越性,顺便支持下国产的芯片产业。分两篇进行介绍,第一篇主要是官网内容。

一、描述

MAIX Bit开发板是SiPEED公司MAIX产品线的一员,基于嘉楠堪智科技的边缘智能计算芯片K210(RISC-V架构 64位双核)设计的一款AIOT开发板。开发板使用模块+底板方式设计,整洁小巧,板载Type-C接口和USB-UART电路,用户可以直接通过USB Type-C线连接电脑进行开发,配置128Mbit Flash、LCD、DVP、Micro SD卡等接口并把所有IO引出,方便用户扩展。

二、外观

 

三、特性

MaixBit开发板以K210作为核心单元,功能非常很强大,芯片内置64位双核处理器,拥有8M的片上SRAM,在Al机器视觉、听觉性能方便表现突出,内置多种硬件加速单元(KPU、FPU,FFT等),总算力最高可达1TOPS,可以方便地实现各类应用场景的机器视觉/听觉算法,也可以进行语音方向扫描和语音数据输出的前置处理工作。

四、应用

智能家居,机器人清洁器,智能扬声器,电子门锁,家庭监控等;
医学行业应用,如辅助诊断,医学图像识别;
智能工业应用,如工业机械,智能分拣,电气设备监控等;
教育机器人,智能互动平台,教育效率检查等教育应用;
农业应用,如农业监测,病虫害监测,自动控制等

五、参数

K210 芯片基本参数
内核RISC-V Dual Core 64bit, with FPU
主频400MHz (可超频至600MHz)
SRAM内置8M Byte
图像识别QVGA@60fps/VGA@30fps
语音识别麦克风阵列(8mics)
网络模型
  • 支持YOLOv3
  • Mobilenetv2
  • TinyYOLOv2
  • 人脸识别等
深度学习框架支持TensorFlow \ Keras \ Darknet \ Caffe 等主流框架
外设FPIOA、 UART、 GPIO、 SPI、 I2C、I2S、 TIMER
视频处理
  • 神经网络处理器(KPU)
  • FPU满足IEEE754-2008标准
  • 音频处理器(APU)
  • 快速傅里叶变换加速器(FFT)
开发板参数
板载资源
  • 按键*2
  • RGB灯*1
  • MEMS Microphone*1
  • USB to UART
  • 128Mbit Flash*1
板载接口
  • USB Type-C接口
  • 24PIN DVP摄像头接口
  • 24PIN LCD接口
  • MicroSD卡槽
  • 所有IO排针引脚引出
尺寸53.3*25.4mm
供电电压5.0V @ 300mA(供电电流需大于300mA)
工作温度-30℃ ~85C
软件开发
芯片操作系统FreeRTOS、RT-Thread等
开发环境MaixPy IDE、PlatformlO IDE、Arduino IDE等
编程语言C,C++,MicroPython

六、资料下载

Sipeed-Maix-Bit 资料下载:Sipeed-Maix-Bit

Sipeed-Maix-Bit 规格书下载:Sipeed-Maix-Bit

Sipeed-Maix-Bit 原理图下载:Sipeed-Maix-Bit/Maix-Bit%20V2.0(Schematic).pdf)

Sipeed Maix Bit 是一款基于 RISC-V 架构的嵌入式开发板,搭载了 Kendryte K210 双核处理器,支持人工智能计算。MaixPy 是针对 Sipeed Maix Bit 设计的 MicroPython 版本,可以方便地进行开发和调试。 要进行数字识别,可以使用 MaixPy 提供的图像识别库,例如 KPU(Kendryte Processing Unit)和 OpenMV。KPU 是 Kendryte K210 上的硬件加速器,能够快速进行卷积神经网络(CNN)的推理,适用于图像分类、目标检测等任务。OpenMV 则是一套基于 Python 的机器视觉库,支持多种算法和传感器,包括数字识别、颜色识别等功能。 下面是一个基于 KPU 的数字识别示例代码: ```python import sensor import image import lcd import KPU as kpu # 初始化 LCD 显示器 lcd.init() # 初始化摄像头 sensor.reset() sensor.set_pixformat(sensor.RGB565) sensor.set_framesize(sensor.QVGA) sensor.run(1) # 初始化 KPU 模型 task = kpu.load(0x300000) # 加载模型文件 kpu.set_outputs(task, 0, 1, 1, 10) # 输出通道设置 anchors = (1.889, 2.5245, 2.9465, 3.94056, 3.99987, 5.3658, 5.155437, 6.92275, 6.718375, 9.01025) # 锚点设置 a = kpu.init_yolo2(task, 0.5, 0.3, 5, anchors) # 初始化 YOLO 模型 # 循环读取图像并进行数字识别 while True: img = sensor.snapshot() code = img.to_grayscale(1) # 转为灰度图 code = code.resize(28, 28) # 缩放为 28x28 的图像 code = code.strech_char(1) # 像素值拉伸 code = code.invert() # 反色 code = code.pix_to_ai() # 转为 AI 能处理的格式 fmap = kpu.forward(task, code) # 进行推理 plist = fmap[:] # 获取结果 max_index = max(range(len(plist)), key=plist.__getitem__) # 找到最大概率值 lcd.clear() lcd.draw_string(100, 100, str(max_index)) # 显示结果 ``` 需要注意的是,数字识别的准确度取决于模型的训练和数据集的质量,可以根据自己的需求进行调整和优化。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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