香橙派AIpro快速上线——纯小白体验版本!!!

目录

前言

一、快速上线

官网的样例测试

​编辑解决模型转换问题的步骤

如果系统卡死

二、usb摄像头测试

三、总结

模型转换

小结


前言

香橙派AIpro+ubuntu系统+32G sd卡

香橙派AIpro开发板采用昇腾AI技术路线,接口丰富且具有强大的可扩展性,提供8/20TOPS澎湃算力,可广泛使用于AI边缘计算、深度视觉学习及视频流AI分析、视频图像分析、自然语言处理等AI领域。通过昇腾CANN软件栈的AI编程接口,可满足大多数AI算法原型验证、推理应用开发的需求。

AscendCL(Ascend Computing Language,昇腾计算语言)是昇腾计算开放编程框架,是对底层昇腾计算服务接口的封装,提供Device管理、Context管理、Stream管理、内存管理、模型加载与执行、算子加载与执行、媒体数据处理等API,支持C&C++、Python编程语言,能够实现深度学习推理计算、图形图像预处理、单算子加速计算等能力。

掌握了AscendCL的编程方法,就意味着可以在香橙派AIpro开发板上充分利用昇腾的算力资源,能够基于深度学习算法开发图片分类、目标检测等一系列深度学习推理计算程序。

一、快速上线

wifi或者网线连接网络

官网的样例测试

在服务器任意目录下获取sample仓代码(以/home目录为例)

apt-get install gitgit config --global http.sslVerify "false"git clone https://gitee.com/ascend/samples.git

进入“样例目录”,下文中的“样例目录”均指“samples/cplusplus/level2_simple_inference/1_classification/resnet50_imagenet_classification”目录

cd samples/cplusplus/level2_simple_inference/1_classification/resnet50_imagenet_classification

获取ResNet-50原始模型

pip3 install Pillowmkdir -p caffe_model

将获取的模型文件和权重文件上传至创建的“caffe_model”目录

在“样例目录”下执行如下命令,将ResNet-50原始模型转换为适配昇腾AI处理器的离线模型(*.om文件)

atc --model=caffe_model/resnet50.prototxt --weight=caffe_model/resnet50.caffemodel --framework=0 --output=model/resnet50 --soc_version=Ascend310P3 --input_format=NCHW --input_fp16_nodes=data --output_type=FP32 --out_nodes=prob:0

解决模型转换问题的步骤

使用的是香橙派AI Pro开发板,运行的是Ubuntu 22.04.3 LTS操作系统,并且正在尝试使用昇腾AI技术和CANN(Compute Architecture for Neural Networks)软件栈进行模型转换。

模型转换过程中系统卡死可能有多种原因。以下是一些解决问题的方法:

1. 检查系统资源:
   
   - 确保系统有足够的资源(CPU、内存、存储)来处理转换过程。显示我的系统有7.4 GiB的内存,通常应该足够,但可能存在有其他占用资源较多的进程在同时运行。

2. ATC命令参数:
   
   - 确认提供给`atc`命令的所有参数是否正确并适合您的硬件和模型。
   - 例如,确保`--soc_version=Ascend310P3`适用于自己的设备。如果不适用,请根据实际情况进行调整。

3. CANN和Ascend工具包安装:
   
   - 确保正确安装了CANN和Ascend工具包,并正确设置了所有环境变量。
   - 检查安装的软件版本,确保兼容性。

4. 模型文件:
   
   - 验证`resnet50.prototxt`和`resnet50.caffemodel`文件的完整性和兼容性。
   - 确保这些文件正确放置在`caffe_model`目录中,并且转换工具可以访问这些文件。

5. 日志和调试:
   
   - 查看ATC工具生成的日志(如果有),以识别具体的错误或警告。
   - 可以通过在`atc`命令中添加`--log=debug`来启用详细日志记录,以获取更详细的输出。

6. 依赖项:
   
   - 确保所有必要的依赖项已安装并且是最新的。这包括Python包如Pillow以及ATC工具所需的系统库。

如果系统卡死

- 监控资源使用情况:使用系统监控工具在转换过程中检查CPU和内存的使用情况。
- 在Screen/Tmux会话中运行:如果系统容易卡死,可以在分离会话中运行命令,这样即使主终端无响应,也可以监控日志。

在“样例目录/data”目录下准备样例图片,如果data目录不存在,可在“样例目录”下执行mkdir -p data命令创建。

cd datawget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/models/aclsample/dog1_1024_683.jpg --no-check-certificatewget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/models/aclsample/dog2_1024_683.jpg --no-check-certificate

执行下列代码,将jpg转换成bin文件

python3 ../script/transferPic.py

在“样例目录”下执行如下命令配置环境变量

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

在“样例目录”下执行如下命令编译可执行文件。

mkdir -p build/intermediates/hostcd build/intermediates/hostcmake ../../../src -DCMAKE_CXX_COMPILER=g++ -DCMAKE_SKIP_RPATH=TRUEmake

/out目录下,执行如下命令运行编译的文件

./main

模型转换失败的话,就会出现上图所示情况!!!

成功的话就是这样的!!!这部分是在

二、usb摄像头测试

gitclone源码

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

安装FFmpeg。

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

装OpenCV。

sudo apt-get install libopencv-dev

进入样例目录

/home/HwHiAiUser/EdgeAndRobotics/Peripherals/Camera/USBCamera/

编译样例源码。 执行编译命令

注意!!!需要将main.cpp文件中摄像头的具体参数改成你的实际的摄像头参数!!不然无法正常采集数据!原始的分辨率是1280*720,我的是640*480

g++ main.cpp -o main -lavutil -lavformat -lavcodec -lavdevice

编译命令执行成功后,在USBCamera样例目录下生成可执行文件main。

运行样例,从Camera获取图像。

 运行可执行文件,其中/dev/video0表示Camera设备,需根据实际情况填写:

./main /dev/video0

 运行成功后,在USBCamera样例目录下生成yuyv422格式、640*480分辨率的out.yuv文件。

当把一个摄像头插入开发板后,执行ls /dev/vi*命令可看到摄像头的vedio节点。这里出现了两个设备节点:/dev/video0、/dev/video1,是因为一个是图像/视频采集,一个是metadata采集,因此本样例中在运行可执行文件时,选择图像/视频采集的设备节点/dev/video0。

检查从Camera获取的图像。

执行如下命令,使用FFmpeg软件查看图像:

ffplay -pix_fmt yuyv422 -video_size 640*480 out.yuv

​图片看上去不太清晰是因为我的摄像头的问题

三、总结

模型转换

昇腾张量编译器(Ascend Tensor Compiler,简称 ATC)是昇腾 CANN 架构体系下的模型转换工具
ATC工具可将开源框架的网络模型(如TensorFlow等)转换为昇腾Al处理器支持的离线模型。支持原始框架类型为Caffe、TensorFlow、MindSpore、ONNX的模型转换,其中ONNX可以看做是一个中间模型,如果其他模型可以转换为ONNX模型那么也可以在使用ATC进行模型转换,例如pytorch模型转换为ONNX模型,ONNX模型再转换为.om文件。
这个部分是我本人特别喜欢的功能!

小结

因为本人基本上属于完全小白,之前只玩过X3板卡,所以本次我也只测试了两张板卡的相同的功能部分!进入系统界面后,空白处滑动鼠标滚轮可以实现切屏,非常丝滑。我目前就试了两个基本的功能,模型转换因为整体系统完全卡死了无法成功转换后续也没有再去跟进了,不过我有把大致的问题解决思路列出来,大家有兴趣的可以看看。usb相机的测试拍摄图片完全ok,不过这种基础功能的实现基本上都差不多。关于散热,相比于X3板卡,加上官网的散热器的香橙派的散热性能更佳!
 

有个小问题,关于USB接口,一共两个,接上鼠标键盘后,其实再接一个usb相机真的不方便!大家如果要试的话,还是蓝牙连接鼠标or键盘会方便些。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/335371.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Redis面试题深度解析

1、我看你做的项目中,都用到了redis,你在最近的项目中哪些场景使用了redis呢? 2、缓存穿透 布隆过滤器的误判现象 Redisson和Guava都对布隆过滤器进行了实现 3、缓存击穿 互斥锁,就是一个线程来修改,并占据了锁,另外其…

FreeRTOS【8】二值信号量使用

1.开发背景 FreeRTOS 提供了队列可以在线程间快速交换信息,那么还有没有其他交互渠道?答案是有的,相对于队列传递信息,还有更轻量级的线程唤醒操作,那就是信号量,而二值信号量就是最简单的一种。 二值信号量…

SQL开窗函数

文章目录 概念:语法:常用的窗口函数及示例:求平均值:AVG() :求和:SUM():求排名:移动平均计数COUNT():求最大MXA()/小MIN()值求分区内的最大/最小值求当前行的前/后一个值 概念: 开窗…

UML 在 vs-code上的快速使用

UML 在 vs-code上的快速使用 1.软件准备工作2.创建第一张甘特图2.1 创建 UML文件: xxxx. puml2.2 输入甘特图代码2.3 VS code 生成甘特图 结束 。 1.软件准备工作 使用的软件为:VS CODE使用插件 : PluntUML2.创建第一张甘特图 2.1 创建 UML文件: xxxx. …

云端力量:利用移动云服务器高效部署Spring Boot Web应用

文章目录 一、移动云介绍二、移动云产品选择三、体验云主机ECS四、使用移动云服务器部署SpringBoot Web应用4.1移动云ECS安装JDK4.2移动云ECS安装MySQL4.3移动云ECS数据库插入数据4.4移动云ECS部署Spring Boot Web应用 总结 一、移动云介绍 移动云是中国移动基于自研的先进技术…

网络延迟监控

网络中的延迟是指数据通过网络传输到其预期目的地所需的时间,它通常表示为往返延迟,即数据从一个位置传输到另一个位置所需的时间。 网络延迟(也称为滞后)定义为数据包通过多个网络设备进行封装、传输和处理,直到到达…

GitLens或者Git Graph在vscode中对比文件历史变化,并将历史变化同步到当前文件中

有时候我们上周改的代码,现在想反悔把它恢复过来,怎么办???很好,你有这个需求,说明你找对人了,那就是我们需要在vscode中安装这个插件:GitLens或者Git Graph,…

kafka-偏移量图解

生产者偏移量:生产者发送消息时写入到哪个位置(主题的每个分区会存储一个 leo 即将写入消息的偏移量),每次写完消息 leo 会 1 消费者偏移量:消费者从哪个位置开始消费消息,小于等于 leo,每个组…

Pytorch-Reduction Ops

文章目录 前言1.torch.argmax()2.torch.argmin()3.torch.amax()4.torch.amin()5.torch.all()6.torch.any()7.torch.max()8.torch.dist()9.torch.logsumexp()10.torch.mean()11.torch.norm()12.torch.nansum()13.torch.prod()14.torch.cumsum()15.torch.cumprod() 前言 1.torch.…

为师妹写的《Java并发编程之线程池十八问》被表扬啦!

写在开头 之前给一个大四正在找工作的学妹发了自己总结的关于Java并发中线程池的面试题集,总共18题,将之取名为《Java并发编程之线程池十八问》,今天聊天时受了学妹的夸赞,心里很开心,毕竟自己整理的东西对别人起到了一点帮助,记录一下! Java并发编程之线程池十八问 经过…

数据分析必备:一步步教你如何用Pandas做数据分析(11)

1、Pandas 自定义选项 Pandas 自定义选项操作实例 Pandas因为提供了API来自定义行为,所以被广泛使用。 自定义API中有五个相关功如下: get_option() set_option() reset_option() describe_option() option_context() 下面我们一起了解下这些方法。 1.…

Centos安装,window、ubuntus双系统基础上安装Centos安装

文章目录 前言一、准备工作二、开始安装1、2、首先选择DATE&TIME2、选择最小安装3、 选择安装位置 总结 前言 因工作需要,我需要在工控机上额外装Centos7系统,不过我是装在机械硬盘上了不知道对性能是否有影响,若有影响,后面…

Python基于PyQt6制作GUI界面——按钮

示例对应的制作的 ui文件 界面如下所示。 <?xml version"1.0" encoding"UTF-8"?> <ui version"4.0"><class>Form</class><widget class"QWidget" name"Form"><property name"geom…

开源与闭源AI模型的对决:数据隐私、商业应用与社区参与

引言 在人工智能&#xff08;AI&#xff09;领域&#xff0c;模型的发展路径主要分为“开源”和“闭源”两条。这两种模型在数据隐私保护、商业应用以及社区参与与合作方面各有优劣&#xff0c;是创业公司、技术巨头和开发者们必须仔细权衡的重要选择。那么&#xff0c;面对这些…

数据大屏方案 : 实现数据可视化的关键一环_光点科技

在数字时代的浪潮中&#xff0c;数据已经成为企业决策和操作的重要基础。因此&#xff0c;“数据大屏方案”逐渐成为业界关注的焦点。这类方案通过将复杂的数据集合以直观的形式展现出来&#xff0c;帮助决策者快速把握信息&#xff0c;做出更加明智的决策。 数据大屏的定义及作…

运用HTML、CSS设计Web网页——“西式甜品网”图例及代码

目录 一、效果展示图 二、设计分析 1.整体效果分析 2.头部header模块效果分析 3.导航及banner模块效果分析 4.分类classify模块效果分析 5.产品展示show模块效果分析 6.版权banquan模块效果分析 三、HTML、CSS代码分模块展示 1. 头部header模块代码 2.导航及bann…

04_前端三大件JS

文章目录 JavaScript1.JS的组成部分2.JS引入2.1 直接在head中通过一对script标签定义脚本代码2.2创建JS函数池文件&#xff0c;所有html文件共享调用 3.JS的数据类型和运算符4.分支结构5.循环结构6.JS函数的声明7.JS中自定义对象8.JS_JSON在客户端使用8.1JSON串格式8.2JSON在前…

在outlook的邮件中插入HTML;HTML模板获取

本文介绍如何在outlook发送邮件时&#xff0c;在邮件中插入HTML&#xff0c;此HTML可以从获取模板自行进行修改。 文章目录 一、下载HTML模板&#xff08;或自己制作好HTML文件&#xff09;二、outlook新增宏三、新建邮件&#xff0c;插入HTML 一、下载HTML模板&#xff08;或自…

Python--面向对象

面向对象⭐⭐ 1. 面向对象和面向过程思想 面向对象和面向过程都是一种编程思想,就是解决问题的思路 面向过程&#xff1a;POP(Procedure Oriented Programming)面向过程语言代表是c语言面向对象&#xff1a;OOP(Object Oriented Programming)常见的面向对象语言包括:java c g…

Pi 母公司将开发情感 AI 商业机器人;Meta 科学家:Sora 不是视频生成唯一方向丨RTE 开发者日报 Vol.214

开发者朋友们大家好&#xff1a; 这里是 「RTE 开发者日报」 &#xff0c;每天和大家一起看新闻、聊八卦。我们的社区编辑团队会整理分享 RTE&#xff08;Real-Time Engagement&#xff09; 领域内「有话题的新闻」、「有态度的观点」、「有意思的数据」、「有思考的文章」、「…