在赛灵思ZCU102开发板上部署mnist手写体识别程序

最新推荐文章于 2024-01-25 18:02:47 发布
最新推荐文章于 2024-01-25 18:02:47 发布
阅读量975 收藏 9
点赞数 2
分类专栏： MPSoC Vitis 教程
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/u011747505/article/details/111171494
版权
MPSoC 同时被 3 个专栏收录
5 篇文章 1 订阅
订阅专栏
Vitis
5 篇文章 1 订阅
订阅专栏
教程
5 篇文章 0 订阅
订阅专栏

进入到代码所在目录下

cd Vitis-Tutorials-master/Machine_Learning/Design_Tutorials/02-MNIST_classification_tf/files

启动GPU-docker

source ./start_gpu_docker.sh

启动成功

依次执行如下命令，设置环境变量，训练，冻结参数，评估，量化，量化评估，编译，生成目标平台可执行文件

source 0_setenv.sh
source 1_train.sh
source 2_freeze.sh
source 3_eval_frozen_graph.sh
source 4_quant.sh 
source 5_eval_quant_graph.sh 
source 6_compile_zcu102.sh 
source 7_make_target_zcu102.sh

生成的文件在files/build/target_zcu102下，如图，model_dir目录下是dpu_customcnn.elf，images下是1万张手写图片

打开开发板，连接UART 线至主机，启动模式位SD-Boot mode   （箭头指向on的方向看，四个开关分别为：上下下下）

通过UART设置开发板IP地址为192.168.0.110

 ifconfig eth0 192.168.0.110 netmask 255.255.255.0

UART 内容如下，我的Ubuntu连接开发板突然uart模式连接不了，设置不了IP 了，去windows下一切正常，不知道是何原因

root@xilinx-zcu102-2020_1:~# ifconfig eth0 192.168.0.110 netmask 255.255.255.0
root@xilinx-zcu102-2020_1:~# ifconfig
eth0      Link encap:Ethernet  HWaddr 00:0A:35:00:22:01  
          inet addr:192.168.0.110  Bcast:192.168.0.255  Mask:255.255.255.0
          UP BROADCAST RUNNING MULTICAST  MTU:1500  Metric:1
          RX packets:659 errors:0 dropped:0 overruns:0 frame:0
          TX packets:338 errors:0 dropped:0 overruns:0 carrier:0
          collisions:0 txqueuelen:1000
          RX bytes:52216 (50.9 KiB)  TX bytes:116192 (113.4 KiB)
          Interrupt:31

lo        Link encap:Local Loopback  
          inet addr:127.0.0.1  Mask:255.0.0.0
          inet6 addr: ::1/128 Scope:Host
          UP LOOPBACK RUNNING  MTU:65536  Metric:1
          RX packets:2 errors:0 dropped:0 overruns:0 frame:0
          TX packets:2 errors:0 dropped:0 overruns:0 carrier:0
          collisions:0 txqueuelen:1000
          RX bytes:140 (140.0 B)  TX bytes:140 (140.0 B)

root@xilinx-zcu102-2020_1:~#

 IP 设置完成，通过scp命令将刚才生成的内容拷贝到开发板上

scp -r ./build/target_zcu102 root@192.168.0.110:~/

 远程登录开发板（此时开发板通过网线和主机连接）

ssh root@192.168.0.110

 登录之后执行如下命令

单线程
python3 app_mt.py -m model_dir/dpu_customcnn.elf

多线程
python3 app_mt.py -m model_dir/dpu_customcnn.elf -t 6

至此完成了mnist图像分类程序的zcu102部署运行～

 

下边是上面7个命令的正确运行输出结果，备忘

(vitis-ai-tensorflow) cao@cao-OMEN-by-HP-Desktop-PC-880-p0xx:/workspace$ source 1_train.sh 
-----------------------------------------
TRAINING STARTED..
-----------------------------------------
Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/mnist.npz
11493376/11490434 [==============================] - 2s 0us/step

------------------------------------
Keras version      : 2.2.4-tf
TensorFlow version : 1.15.2
Python version     : 3.6.10 |Anaconda, Inc.| (default, Mar 25 2020, 23:51:54) 
[GCC 7.3.0]
------------------------------------
Command line options:
 --input_height    :  28
 --input_width     :  28
 --input_chan      :  1
 --epochs          :  5
 --batchsize       :  100
 --learnrate       :  0.001
 --output_ckpt_path:  ./build/chkpts/float_model.ckpt
 --infer_graph_path:  ./build/chkpts/inference_graph.pb
 --tboard_path     :  ./build/tb_logs
 --gpu             :  0
------------------------------------

Network input shape:  (?, 28, 28, 1)
                      (?, 14, 14, 16)
                      (?, 7, 7, 32)
                      (?, 4, 4, 64)
                      (?, 1, 1, 10)
Network output shape: (?, 10)

----------------------------
 TRAINING STARTED...
----------------------------
 Epoch 1 / 5 - accuracy 97.20 %
 Epoch 2 / 5 - accuracy 98.14 %
 Epoch 3 / 5 - accuracy 98.46 %
 Epoch 4 / 5 - accuracy 98.44 %
 Epoch 5 / 5 - accuracy 98.46 %

----------------------------
 SAVING CHECKPOINT & GRAPH...
----------------------------
 Saved checkpoint to ./build/chkpts/float_model.ckpt
Network input shape:  (?, 28, 28, 1)
                      (?, 14, 14, 16)
                      (?, 7, 7, 32)
                      (?, 4, 4, 64)
                      (?, 1, 1, 10)
Network output shape: (?, 10)
 Saved binary inference graph to ./build/chkpts/inference_graph.pb
 Run `tensorboard --logdir=./build/tb_logs --port 6006 --host localhost` to see the results.
-----------------------------------------
TRAINING COMPLETED
-----------------------------------------
(vitis-ai-tensorflow) cao@cao-OMEN-by-HP-Desktop-PC-880-p0xx:/workspace$ source 2_freeze.sh 
-----------------------------------------
FREEZE STARTED..
-----------------------------------------
WARNING:tensorflow:From /opt/vitis_ai/conda/envs/vitis-ai-tensorflow/lib/python3.6/site-packages/tensorflow_core/python/tools/freeze_graph.py:127: checkpoint_exists (from tensorflow.python.training.checkpoint_management) is deprecated and will be removed in a future version.
Instructions for updating:
Use standard file APIs to check for files with this prefix.
W1214 00:26:40.466517 140039891904320 deprecation.py:323] From /opt/vitis_ai/conda/envs/vitis-ai-tensorflow/lib/python3.6/site-packages/tensorflow_core/python/tools/freeze_graph.py:127: checkpoint_exists (from tensorflow.python.training.checkpoint_management) is deprecated and will be removed in a future version.
Instructions for updating:
Use standard file APIs to check for files with this prefix.
2020-12-14 00:26:40.478010: I tensorflow/core/platform/cpu_feature_guard.cc:142] Your CPU supports instructions that this TensorFlow binary was not compiled to use: SSE4.1 SSE4.2 AVX AVX2 FMA
2020-12-14 00:26:40.497383: I tensorflow/core/platform/profile_utils/cpu_utils.cc:94] CPU Frequency: 4200000000 Hz
2020-12-14 00:26:40.497751: I tensorflow/compiler/xla/service/service.cc:168] XLA service 0x56472e899760 initialized for platform Host (this does not guarantee that XLA will be used). Devices:
2020-12-14 00:26:40.497767: I tensorflow/compiler/xla/service/service.cc:176]   StreamExecutor device (0): Host, Default Version
INFO:tensorflow:Restoring parameters from ./build/chkpts/float_model.ckpt
I1214 00:26:40.515603 140039891904320 saver.py:1284] Restoring parameters from ./build/chkpts/float_model.ckpt
WARNING:tensorflow:From /opt/vitis_ai/conda/envs/vitis-ai-tensorflow/lib/python3.6/site-packages/tensorflow_core/python/tools/freeze_graph.py:233: convert_variables_to_constants (from tensorflow.python.framework.graph_util_impl) is deprecated and will be removed in a future version.
Instructions for updating:
Use `tf.compat.v1.graph_util.convert_variables_to_constants`
W1214 00:26:40.533195 140039891904320 deprecation.py:323] From /opt/vitis_ai/conda/envs/vitis-ai-tensorflow/lib/python3.6/site-packages/tensorflow_core/python/tools/freeze_graph.py:233: convert_variables_to_constants (from tensorflow.python.framework.graph_util_impl) is deprecated and will be removed in a future version.
Instructions for updating:
Use `tf.compat.v1.graph_util.convert_variables_to_constants`
WARNING:tensorflow:From /opt/vitis_ai/conda/envs/vitis-ai-tensorflow/lib/python3.6/site-packages/tensorflow_core/python/framework/graph_util_impl.py:277: extract_sub_graph (from tensorflow.python.framework.graph_util_impl) is deprecated and will be removed in a future version.
Instructions for updating:
Use `tf.compat.v1.graph_util.extract_sub_graph`
W1214 00:26:40.533316 140039891904320 deprecation.py:323] From /opt/vitis_ai/conda/envs/vitis-ai-tensorflow/lib/python3.6/site-packages/tensorflow_core/python/framework/graph_util_impl.py:277: extract_sub_graph (from tensorflow.python.framework.graph_util_impl) is deprecated and will be removed in a future version.
Instructions for updating:
Use `tf.compat.v1.graph_util.extract_sub_graph`
INFO:tensorflow:Froze 20 variables.
I1214 00:26:40.541999 140039891904320 graph_util_impl.py:334] Froze 20 variables.
INFO:tensorflow:Converted 20 variables to const ops.
I1214 00:26:40.543889 140039891904320 graph_util_impl.py:394] Converted 20 variables to const ops.
-----------------------------------------
FREEZE COMPLETED
-----------------------------------------
(vitis-ai-tensorflow) cao@cao-OMEN-by-HP-Desktop-PC-880-p0xx:/workspace$ source 3_eval_frozen_graph.sh 
-----------------------------------------
 EVALUATING THE FROZEN GRAPH..
-----------------------------------------

------------------------------------
Keras version      :  2.2.4-tf
TensorFlow version :  1.15.2
3.6.10 |Anaconda, Inc.| (default, Mar 25 2020, 23:51:54) 
[GCC 7.3.0]
------------------------------------
Command line options:
 --graph      :  ./build/freeze/frozen_graph.pb
 --input_node :  images_in
 --output_node:  conv2d_3/BiasAdd
 --gpu        :  0
------------------------------------

Graph accuracy: 98.00 %
-----------------------------------------
GRAPH EVAL COMPLETED
-----------------------------------------
(vitis-ai-tensorflow) cao@cao-OMEN-by-HP-Desktop-PC-880-p0xx:/workspace$ source 4_quant.sh 
-----------------------------------------
QUANTIZE STARTED..
-----------------------------------------
Making list of calibration images..
Command line options:
 --dataset      :  mnist
 --subset       :  test
 --image_dir    :  ./build/quantize/images
 --image_list   :  calib_list.txt
 --label_list   :  
 --image_format :  jpg
 --max_images   :  1000
Vai_q_tensorflow v1.2.0 build for Tensorflow 1.15.2
100% (100 of 100) |######################| Elapsed Time: 0:00:00 Time:  0:00:00
INFO: Checking Float Graph...
INFO: Float Graph Check Done.
INFO: Calibrating for 100 iterations...
INFO: Calibration Done.
INFO: Generating Deploy Model...
INFO: Deploy Model Generated.
********************* Quantization Summary *********************      
INFO: Output:       
  quantize_eval_model: ./build/quantize/quantize_eval_model.pb       
  deploy_model: ./build/quantize/deploy_model.pb
-----------------------------------------
QUANTIZED COMPLETED
-----------------------------------------
(vitis-ai-tensorflow) cao@cao-OMEN-by-HP-Desktop-PC-880-p0xx:/workspace$ source 5_eval_quant_graph.sh 
-----------------------------------------
 EVALUATING THE QUANTIZED GRAPH..
-----------------------------------------

------------------------------------
Keras version      :  2.2.4-tf
TensorFlow version :  1.15.2
3.6.10 |Anaconda, Inc.| (default, Mar 25 2020, 23:51:54) 
[GCC 7.3.0]
------------------------------------
Command line options:
 --graph      :  ./build/quantize/quantize_eval_model.pb
 --input_node :  images_in
 --output_node:  conv2d_3/BiasAdd
 --gpu        :  0
------------------------------------

Graph accuracy: 97.98 %
-----------------------------------------
GRAPH EVAL COMPLETED
-----------------------------------------
(vitis-ai-tensorflow) cao@cao-OMEN-by-HP-Desktop-PC-880-p0xx:/workspace$ source 6_compile_zcu102.sh 
-----------------------------------------
COMPILE ZCU102 STARTED..
-----------------------------------------

Kernel topology "customcnn_kernel_graph.jpg" for network "customcnn"
kernel list info for network "customcnn"
                               Kernel ID : Name
                                       0 : customcnn

                             Kernel Name : customcnn
--------------------------------------------------------------------------------
                             Kernel Type : DPUKernel
                               Code Size : 3.46KB
                              Param Size : 0.04MB
                           Workload MACs : 2.02MOPS
                         IO Memory Space : 5.61KB
                              Mean Value : 0, 0, 0, 
                      Total Tensor Count : 5
                Boundary Input Tensor(s)   (H*W*C)
                          images_in:0(0) : 28*28*1

               Boundary Output Tensor(s)   (H*W*C)
                    conv2d_3_Conv2D:0(0) : 1*1*10

                        Total Node Count : 4
                           Input Node(s)   (H*W*C)
                        conv2d_Conv2D(0) : 28*28*1

                          Output Node(s)   (H*W*C)
                      conv2d_3_Conv2D(0) : 1*1*10




**************************************************
* VITIS_AI Compilation - Xilinx Inc.
**************************************************
-----------------------------------------
COMPILE ZCU102 COMPLETED
-----------------------------------------
(vitis-ai-tensorflow) cao@cao-OMEN-by-HP-Desktop-PC-880-p0xx:/workspace$ source 7_make_target_zcu102.sh 
-----------------------------------------
MAKE TARGET ZCU102 STARTED..
-----------------------------------------
  Copied application to target folder
  Copied elf file(s) to target folder
Command line options:
 --dataset      :  mnist
 --subset       :  test
 --image_dir    :  ./build/target_zcu102/images
 --image_list   :  
 --label_list   :  
 --image_format :  jpg
 --max_images   :  10000
  Copied images to target folder
-----------------------------------------
MAKE TARGET ZCU102 COMPLETED
-----------------------------------------
(vitis-ai-tensorflow) cao@cao-OMEN-by-HP-Desktop-PC-880-p0xx:/workspace$

 

参考链接https://github.com/Xilinx/Vitis-Tutorials/tree/master/Machine_Learning/Design_Tutorials/02-MNIST_classification_tf

hitercch
关注
  • 2
    点赞
  • 踩
  • 9
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
14029.ZYNQMP的zcu102官方评估板SD卡资料
写给自己的笔记
03-22 42
ZCU102 评估板SD卡资料包
ai-在赛灵思fpga上部署yolov2算法-yolo部署.zip
最新发布
01-28
ai ai_在赛灵思fpga上部署yolov2算法_yolo部署
ZCU104 开发板原理图
07-10
ZCU104 开发板原理图，xilinx官方版
网内计算：可编程数据平面和技术特定应用综述
qq_51957239的博客
06-11 2499
多年来，计算历史经历了从传统并行计算、网格计算到云计算的不同范例的演进。云计算[1]提供了包括基础设施即服务(IaaS)、平台即服务(PaaS)和软件即服务(SaaS)在内的各种服务模型，带来了可扩展性、按需资源 provisioning、按量计费的价格模型以及方便的应用和服务 provisioning 等优势和功能。IaaS（Infrastructure as a Service，基础架构即服务）是基础层。在这一层，通过虚拟化、动态化将IT基础资源（计算、网络、存储）聚合形成资源池。
基于ZYNQ7020移植手写数字体识别
m0_46529025的博客
06-05 307
基于HLS来开发卷积的IP核，包括卷积层，池化层和全连接层。针对其他也是通用的。基于pytorch训练手写数字体识别。基于PYNQ来开发整合项目。
FPGA ZYNQ7010图像处理实战项目
alMaIxWPRS的博客
01-25 432
这些项目不仅可以作为你的项目经历，在找工作时展示你的技术能力，还可以帮助你深入理解和应用图像处理相关的知识。RGB图像转灰度图像的过程是将彩色图像转换为灰度图像，而灰度图像转二值化图像的过程则是将灰度图像的像素值转为黑白二值。FPGA ZYNQ7010图像处理实战项目是一项非常实用的技术实践，不仅可以为你的找工作提供项目经历参考，还可以帮助你在图像处理领域的技能提升。sobel算子是一种常用的边缘检测算法，通过该项目，你将了解sobel算子的原理，并能够实现对图像的边缘检测。第八个项目是数字识别。
Softmax
08-14 408
Softmax推导主要从事FPGA，在xilinx网站看到machine Learning on Xilinx Devices 将会支持Tensorflow （目前支持Caffe—-Facebook支持的深度学习工具，考虑到市场热衷程度选择Google），找了一个https://classroom.udacity.com/courses/ud730/lessons/6370362152/conc
FPGA学习记录（二）ZCU102开发之PL侧流水灯
LB__aj的博客
10-26 334
ZCU102 Led闪烁
常见错误解决方法合集（不定时更新）
Wzongming的博客
07-29 601
常见错误记录，简单方法学习
FPGA系列：ZCU102开发板上的第一个工程（MIG控制器）
weixin_49872252的博客
09-17 4511
该工程是XILINX官网上提供的一个例程。刚拿到ZCU102时没有拿到资源，自行在官网上查找有关资料进行学习，发现官网有提供例程便从这里开始熟悉我的新板子。 XILINX官网：Xilinx -灵活应变. 万物智能. 一、软硬件准备 ZCU102开发板，需要连接电源和右上角的JTAG。 进入官网搜索XCU102，可以检索到XCU102有关的原理图、数据手册和例程等。我们找到XTP432-ZCU102 MIG Tutorial(v11.0)，下载...
ZYNQ ZCU102 SPI 自测
wkn_cxy的博客
05-01 2428
ZYNQ Ultrascale+ MPSoc ZCU102 SPI 自测
ZYNQ UltraScale+ ZCU102开发板使用经验
weixin_44874337的博客
06-22 618
3、在进行SDK串口调试时候，SDK terminal没有办法显示串口，原因基本上是因为没有安装驱动，ZCU102需要安装Silicon Labs 驱动。（参考文章2 中会提到）链接：https://pan.baidu.com/s/1hK0dlpgA6SCz4aPvP2GRwg。1、在选择芯片型号时候选择board ，型号选择ZYNQ UltraScale +评估板。复现闪烁led时候不用纠结复位案件的位置，直接不添加复位就可以。参考文章（后续会进行更新）里面会提到串口驱动安装。
赛灵思A7系列开发板EGO1用户手册与例程资料
05-28
做毕设时使用的赛灵思A7系列开发板EGO1，找到了其用户手册与例程资料，包括：EGo1-板卡文件、EGo1-硬件手册、EGo1快速上手指南、8个EGo1配置实验例程和使用注意事项。
赛灵思xilinxpynq-Z1 vivado添加开发板资源
01-22
赛灵思xilinxpynq-Z1 vivado添加开发板资源，欢迎开发者一起交流
zcu102多核协同工作
07-25
博客 https://blog.csdn.net/botao_li/article/details/97266272 配套资源
第一个Xilinx Vitis IDE入门helloworld程序
u011747505的专栏
04-05 5478
操作系统：Ubuntu 18.04.4 LTS 命令lsb_release -a 安装Vitis https://www.xilinx.com/support/download/index.html/content/xilinx/en/downloadNav/vitis.html 在线安装网速很慢，离线下载安装包，Xilinx_Vitis_2019.2_1106_2127.tar...
Vitis HLS 2020.2使用Vitis Vision实例代码实现图像处理dilation
u011747505的专栏
01-12 4399
环境条件，首先需要安装opencv3.x版本，这个opencv是在执行test bench的时候才有用，个人理解就是能够生成处理后的图片，方便对比处理效果。不安装并不影响生成RTL kernel。官方文档说是以3.2版本开发的，如果安装的是opencv 4.x可能需要修改代码，才能运行，此外已经安装了最新版本的Vitis 2020.2软件 linux下安装opencv（opencv-3.4.12） 链接：https://opencv.org/releases/ sudo apt-get ins...
Xilinx Vitis 2020.2 Ubuntu 设置串口连接ZCU102开发板
u011747505的专栏
11-28 3266
前提环境：开发板上电后，JTAG模式启动，SD卡已烧写系统文件，JTAG 和UART已连接主机 首先 下载驱动Linux_3.x.x_4.x.x_VCP_Driver_Source.zip，网址https://www.silabs.com/developers/usb-to-uart-bridge-vcp-drivers 编译安装 make cp cp210x.ko /lib/modules/<kernel-version>/kernel/drivers/usb/serial in.
Vitis HLS 2020.2使用Vitis Vision实例代码实现图像处理sobelfilter
u011747505的专栏
01-14 1759
和上篇类似（https://mp.csdn.net/editor/html/112545031）
zcu102开发板hdmi
06-30
### 回答1： ZCU102开发板是赛灵思（Xilinx）推出的一款高性能嵌入式开发板，集成了多种功能和接口，其中包括了HDMI接口。 HDMI（高清晰度多媒体接口）是一种数字化音视频传输接口，具有高带宽和高画质的特点。通过连接HDMI接口，ZCU102开发板可以实现高清晰度音视频的输入和输出功能。 在ZCU102开发板上，HDMI接口提供了一个方便的方式来连接高清显示设备，例如电视、显示器等。通过HDMI接口，用户可以将开发板上的视频输出直接传输到显示设备上，实现高清晰度的图像显示。 另外，ZCU102开发板上还集成了一个HDMI输入接口，用户可以通过外部设备的HDMI输出口将高清视频信号输入到开发板上。开发者可以通过在开发板上搭建相应的嵌入式系统，对接收到的视频信号进行处理和分析。 通过ZCU102开发板的HDMI接口，用户可以方便地实现音视频数据的输入和输出，开发出各种应用，例如高清视频播放、视频监控、图像处理等。同时，HDMI接口还支持多声道音频传输，可以实现高质量的音频输出。 综上所述，ZCU102开发板上的HDMI接口为用户提供了方便易用的高清音视频输入输出功能，使开发者能够更好地进行嵌入式应用程序的开发。 ### 回答2： ZCU102开发板是一款由赛灵思公司推出的高性能开发板，具备HDMI接口。 HDMI（High-Definition Multimedia Interface）是一种数字音视频接口标准，可以传输高清音视频信号，并支持多通道音频、3D视频和高速数据传输。 ZCU102开发板上的HDMI接口可以将图像和音频信号传输到显示器或电视上，且具备良好的兼容性和稳定性。通过HDMI接口，可以将开发板上的视频内容实时显示在外部显示设备上，方便开发者实时观察图像或视频处理的效果。 使用ZCU102开发板的HDMI接口，可以将开发板与其他外部设备进行连接，例如电视、显示器、投影仪等。通过HDMI接口的高清信号传输，可以实现高质量的画面和音频效果。此外，HDMI接口还支持多种分辨率和频率的选择，可以根据需求进行配置。 对于开发者而言，利用ZCU102开发板的HDMI接口，可以开展多种应用，例如图像处理、视频编解码、数字信号处理等。同时，ZCU102开发板还提供了丰富的开发资源和工具，使得开发者能够更加便捷地进行开发和调试。 总而言之，ZCU102开发板上的HDMI接口是一项重要的功能，可以实现高清音视频信号的传输，并为开发者提供了广阔的应用空间。 ### 回答3： ZCU102开发板是一款高性能的嵌入式开发板，具有支持HDMI接口的功能。 HDMI（High-Definition Multimedia Interface）是一种数字音视频接口标准，能够传输高质量的音频和视频信号。ZCU102开发板上配备了HDMI接口，可以通过该接口将开发板与外部显示设备（如电视、显示器等）连接起来。 使用ZCU102开发板的HDMI功能，可以实现将开发板上的图像和音频内容通过HDMI接口传输到外部显示设备上显示。这对于基于ZCU102开发板进行图像处理、视频播放等应用的开发非常有用。 要使用ZCU102开发板的HDMI功能，首先需要通过HDMI线将开发板的HDMI输出端口与外部显示设备的HDMI输入端口相连。接下来，在开发板上的软件中进行相关的配置和设置，以使HDMI输出能够正常工作。通常，开发板上会提供相应的软件库和驱动程序，用于控制和操作HDMI接口。通过这些软件工具，可以设置HDMI显示的分辨率、刷新率等参数，以及控制音频输出等功能。 使用ZCU102开发板的HDMI功能，开发者可以方便地进行图像和音频的传输与显示，从而更好地实现各种嵌入式应用的开发需求。无论是开发基于图像处理的应用，还是进行视频播放、游戏等应用的开发，ZCU102开发板的HDMI功能都能够提供高质量、高清晰度的音视频传输，满足开发者的需求。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
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