香橙派Kunpeng Pro评测

shiner_chen

于 2024-06-06 08:35:56 发布

阅读量57

点赞数

分类专栏： AI 文章标签：人工智能

原文链接：https://blog.csdn.net/zbgjhy88/article/details/139293389

版权

AI 专栏收录该内容

8 篇文章 1 订阅

订阅专栏

有幸受邀评测香橙派与华为鲲鹏在2024年5月12刚刚联合发布的新品香橙派Kunpeng Pro。

本文将从软硬件、AI算法测试等角度简单分享一下博主拿到板子以来感受与所做的评测。

一、硬件

香橙派Kunpeng Pro实物图

处理器方面，香橙派Kunpeng Pro采用了4核64位armv8架构处理器，主频提升到了1.6GHz，同时集成了昇腾（Ascend）AI处理器（应为310B），拥有8TOPS（int8）AI算力。
内存与存储方面，拥有8GB/16GB LPDDR4X内存，支持TF卡、eMMC、NVMe SSD、SATA SSD等多种存储扩展，使得香橙派Kunpeng Pro可以在内存与存储方面支持流行的AI应用。特别是最低8GB的内存，足以支持很多AI模型的推理了。

除此之外，香橙派Kunpeng Pro还提供了丰富的接口，包括两个HDMI输出接口（有一个HDMI接口输出貌似还有点问题，需要后续跟进）、GPIO接口、两个USB3.0接口、一个USB Type-C 3.0接口、两个MIPI摄像头接口等。大部分外设的扩展都没有问题。
另外，值得一提的是，香橙派Kunpeng Pro附带的Type-C电源为65W PD电源，属实良心了。

二、软件

香橙派Kunpeng Pro预安装了openEuler系统（默认openEuler与root用户密码都是openEuler），提供了类PC桌面环境，对新手来说，插上电源、显示器和键鼠外设就可以轻松上手。此外还预安装了openGauss（数据库）、DevKit（开发者工具集）等，有相关需求的朋友们可以自行探索它们的用途。
对开发者来说，更令人惊讶的是竟然预装了VSCode。

三、AI应用测试 - 以YOLO算法推理为例

1.Ascned驱动、固件与CANN Toolkit
在Ascend平台上运行AI算法，需要驱动、固件与CANN Toolkit的支持。

实际上，Ascend芯片的驱动在这块香橙派Kunpeng Pro上也是预安装了的，官方的Kunpeng-Develop-openEuler-22.03-LTS-SP3-20240506-0416镜像中包含了23.0.0的驱动的。在root用户下，执行npu-smi info，可得到如下信息：

可以看到，实际上目前芯片的健康状态为Alarm，并不是OK的状态，也就无法工作。
我们覆盖安装一次驱动看看。首先在下面地址下载驱动包23.0.0版本：
https://www.hiascend.com/hardware/firmware-drivers/community?product=5&model=25&cann=All&driver=1.0.0.alpha
安装如下：

chmod +x Ascend-hdk-310b-npu-driver-soc_23.0.0_linux-aarch64.run
./Ascend-hdk-310b-npu-driver-soc_23.0.0_linux-aarch64.run --full

安装成功，重启后再执行npu-smi info，发现也没有任何变化。因此只能等待后续驱动更新再看看了，目前Ascend的性能无法测试。

值得注意的是，在openEuler用户下，执行npu-smi info，会有如下错误提示：

说明openEuler用户没有权限调动驱动与Ascend NPU。仅能通过root用户调用，存在一定的安全隐患。Ascend官方安装指引为解决这一问题提供了一种可能性（安装时使用–install-for-all选项），为此，博主在安装310B驱动包时曾尝试为所有用户安装驱动，然而却发现这一选项–install-for-all并未被23.0.0驱动所支持：

因此只能暂时作罢，希望后续这个问题也可以得到解决。

注意，由于Ascend并不能被正确调用，接下安装固件和CANN Toolkit操作其实没有太大意义，只是期待后续驱动更新后，可以直接使用Ascend。

观察/usr/local/Ascend目录，发现并没有固件目录firmware：

上述下载驱动页面同样提供了固件下载。安装固件：

chmod +x Ascend-hdk-310b-npu-firmware-soc_7.1.0.3.220.run ./Ascend-hdk-310b-npu-firmware-soc_7.1.0.3.220.run --full

接下来，安装CANN Toolkit。注意，能找到的支持310B的CANN版本应为7.0.0.beta1。安装步骤步骤如下：
1）安装依赖
yum install -y gcc gcc-c++ make cmake unzip zlib-devel libffi-devel openssl-devel pciutils net-tools sqlite-devel lapack-devel gcc-gfortran
2）下载CANN安装包【注意需要登录，下载7.0.0.beta1】
https://www.hiascend.com/developer/download/community/result?from=firmware&product=5&model=25&cann=All
3）命令行安装CANN

# 给予执行权限
chmod +x Ascend-cann-toolkit_7.0.0_linux-aarch64.run
# 执行安装命令
./Ascend-cann-toolkit_7.0.0_linux-aarch64.run --install

2.安装MindSpore
需要根据CANN和MindSpore对硬件平台的支持选择安装的版本：
https://www.mindspore.cn/versions/en#ascend-supporting-software-package

CANN一般向下兼容，此前安装了7.0.0.beta1，硬件平台为Ascend 310B，因此可以选择安装MindSpore 2.1.1。

推荐使用官方自动安装脚本，会自动安装sympy、te、hccl。使用官方自动安装脚本安装MindSpore的步骤如下：

# 安装MindSpore 2.1.1和Python 3.7
wget https://gitee.com/mindspore/mindspore/raw/master/scripts/install/euleros-ascend-pip.sh 
MINDSPORE_VERSION=2.1.1 bash -i ./euleros-ascend-pip.sh

注1：博主实测时发现miniconda始终下载不下来，如果有遇到同样问题的，可以试着修改下安装脚本里的源，或者直接再conda官网下载最新的linux_aarch64架构的安装包，自行安装。

上述自动安装脚本创建了mindspore_py37虚拟环境，后续可以在此环境安装AI算法库等。

下面测试安装结果。CPU平台：

import numpy as np
import mindspore as ms
import mindspore.ops as ops

ms.set_context(device_target="CPU")
x = ms.Tensor(np.ones([1,3,3,4]).astype(np.float32))
y = ms.Tensor(np.ones([1,3,3,4]).astype(np.float32))
print(ops.add(x, y))`

测试通过。

Ascend平台测试：

import numpy as np
import mindspore as ms
import mindspore.ops as ops

ms.set_context(device_target="Ascend")
x = ms.Tensor(np.ones([1,3,3,4]).astype(np.float32))
y = ms.Tensor(np.ones([1,3,3,4]).astype(np.float32))
print(ops.add(x, y))

测试无法给出运行结果。

3.mindyolo克隆与测试
mindyolo是MindSpore Lab基于Mindspore实现的YOLO系列算法的集成工具箱。博主基于这个工具箱对香橙派Kunpeng Pro的AI推理性能进行测试。在执行下列命令前，注意切换到mindspore_py37虚拟环境。

git clone https://github.com/mindspore-lab/mindyolo.git
cd mindyolo/
pip install -r requirements.txt
pip install mindyolo

接下来，下载YOLO v5s预训练权重：

wget https://download.mindspore.cn/toolkits/mindyolo/yolov5/yolov5s_300e_mAP376-860bcf3b.ckpt

mindyolo支持的测试平台有：[‘CPU’, ‘GPU’, ‘Ascend’, ‘Davinci’]。目前，我们只能先测试一下CPU。随便下载一张图片，博主下载了一张airplane.jpg的照片：

测试如下：

python demo/predict.py --config ./configs/yolov5/yolov5s.yaml --weight=./yolov5s_300e_mAP376-860bcf3b.ckpt --image_path ./airplane.jpg --device_target=CPU

可以看到推理耗时为18s，还是挺长的。值得注意的是这里面包含了较长的模型加载时间，在进行视频在线推理时，这个时间可以被省掉。感兴趣的读者可以进一步测试。

我们参考https://zhuanlan.zhihu.com/p/648665620中对树莓派4B（4G）进行测试的结果做一个简单对比。下面这张图的推理耗时约72s：

在香橙派Kunpeng Pro上进行推理测试如下：

python demo/predict.py --config ./configs/yolov5/yolov5s.yaml --weight=./yolov5s_300e_mAP376-860bcf3b.ckpt --image_path ./image1.png --device_target=CPU