手把手教你快速玩转香橙派AIPro

小张Tt

已于 2024-05-27 18:50:54 修改

阅读量458

点赞数 5

分类专栏： Linux 文章标签：嵌入式硬件

于 2024-05-27 18:49:08 首次发布

本文链接：https://blog.csdn.net/weixin_43788282/article/details/139245314

版权

Linux 专栏收录该内容

7 篇文章 1 订阅

订阅专栏

什么是香橙AIPro？

OrangePi AIpro(8T)采用昇腾AI技术路线，具体为4核64位处理器+AI处理器，集成图形处理器，支持8TOPS AI算力，拥有8GB/16GB LPDDR4X，可以外接32GB/64GB/128GB/256GB eMMC模块，支持双4K高清输出。

Orange Pi AIpro引用了相当丰富的接口，包括两个HDMI输出、GPIO接口、Type-C电源接口、支持SATA/NVMe SSD 2280的M.2插槽、TF插槽、千兆网口、两个USB3.0、一个USB Type-C 3.0、一个Micro USB（串口打印调试功能）、两个MIPI摄像头、一个MIPI屏等，预留电池接口，可广泛适用于AI边缘计算、深度视觉学习及视频流AI分析、视频图像分析、自然语言处理、智能小车、机械臂、人工智能、无人机、云计算、AR/VR、智能安防、智能家居等领域，覆盖 AIoT各个行业。 Orange Pi AIpro支持Ubuntu、openEuler操作系统，满足大多数AI算法原型验证、推理应用开发的需求。

开箱！开箱！

开发板到手的感觉就是，很精巧，很规整！

启动！启动！开搞！

准备工作

相关资料可以查看官方提供的参考资料香橙派 AIpro 资料汇总

下载开发板的镜像
烧录ubuntu镜像到SD卡中(官方推荐balenaEtcher)

烧录完，把TF卡插入开发板。（注意后面的拨码开关）

启动，LED指示灯绿色常亮，表示启动正常。刚开始风扇转的巨快，慢慢的平稳很多！

官方demo

在HwHiAiUser账户下，官方内置了9个demo，在notebook里面，大家可以仔细启动尝试。

cd ~/samples/notebooks
./start_notebook.sh

01 yolov5目标检测
02 ocr文字识别
03 ResNet目标分类
04 HDR图像曝光增强
05 GAN卡通图像生成
06 人体蛋白分类
07 细胞图像分割
08 Portrait的背景替换
09 WeNet语音识别

训练与测试

通过SSH链接树莓派

管理账号：root
密码：Mind@123

普通账号：HwHiAiUser
密码：Mind@123

环境准备

下载安装torch_npu、PyTorch2.1.0、torchvision0.16.0（这里板子是装好的）
设置环境变量，确保程序能够找到Ascend AI处理器NPU相关必要的库文件和执行文件。

export DDK_PATH=/usr/local/Ascend/ascend-toolkit/latest
export NPU_HOST_LIB=$DDK_PATH/runtime/lib64/stub

可以输入printven查看当前环境变量

安装ffmpeg

apt-get install ffmpeg libavcodec-dev libswscale-dev libavdevice-dev

安装ACLLite库

git clone https://gitee.com/ascend/ACLLite.git

打开ACLLite，运行bash build_so.sh进行编译安装

克隆代码仓库

git clone https://gitee.com/ascend/EdgeAndRobotics/

打开下载好文件夹，安装python库

pip3 install -r requirements.txt

设置环境变量减小算子编译内存占用

export TE_PARALLEL_COMPILER=1
export MAX_COMPILE_CORE_NUMBER=1

这里如果不减小算子，会报下面错误，超出内存
报错：

/usr/local/miniconda3/lib/python3.9/multiprocessing/resource_tracker.py:216: UserWarning: resource_tracker: There appear to be 97 leaked semaphore objects to clean up at shutdown

在data文件夹中添加一张测试图片

训练

安装对应版本的PyTorch2.1.0、torchvision1.16.0版本

torch_npu由于需要源码编译,速度可能较慢,可以使用官方提供 python3.9,torch2.1版本的torch_npu whl包

wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/wanzutao/torch_npu-2.1.0rc1-cp39-cp39-linux_aarch64.whl
pip3 install torch_npu-2.1.0rc1-cp39-cp39-linux_aarch64.whl
python3 main.py

运行main.py 自动下载数据集

下载的Mnist数据集，数据集目录结构如下

可以在main.py里面修改参数

将训练生成的mnist.pt转换mnist.onnx模型

python3 export.py

在线推理

用我们下载的图片执行在线推理

cd ../onnxInfer/
python3 infer.py

推理结果如下：

[inferssession_time:347 pictures/s] [output:3]

infer.py加载数据和模型的关键代码

离线推理

在omInfer/data 里面保存我们要测试的数据

cd omInfer/data

将PyTorch框架的onnx转换为昇腾AI处理器能识别的模型（*.om）。

（1）将在线推理时导出的mnist.onnx模型拷贝到model目录下
（2）获取AIPP配置文件


wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/wanzutao/mnist/ecs/aipp.cfg

（3）模型转换

atc --model=mnist.onnx --framework=5 --insert_op_conf=aipp.cfg --output=mnist --soc_version=Ascend310B4

●–model：转换前模型文件的路径。
●–framework：原始框架类型。5表示ONNX。
●–output：转换后模型文件的路径。请注意，记录保存该om模型文件的路径，后续开发应用时需要使用。
●–input_shape：模型输入数据的shape。
●–soc_version：昇腾AI处理器的版本。
（4）编译并获得推理结果