【香橙派 AIpro评测】烧系统运行部署LLMS大模型体验Jupyter Lab AI 应用样例（新手入门）

文章目录

- 一、引言
- - ⭐1.1下载镜像烧系统
  - ⭐1.2开发板初始化系统配置远程登陆
  - - 💖 远程ssh
    - 💖查看ubuntu桌面
    - 💖 远程向日葵
- 二、部署LLMS大模型
- - - 2.1 快速启动
    - - 💖拉取代码
      - 💖下载mode数据
      - 💖启动模型对话
- 三、体验内置AI 应用样例
- - - 3.1运行 jupyterLab
    - - 💖进入sample 启动jupyterLab
    - 3.2打开Jupyter Lab页面
    - - 💖界面操作
    - 3.3 释放内存
    - - 💖 关闭样例
    - 3.4运行目标检测样例
    - 3.5运行图像曝光增强样例
- 四、总结

一、引言

在这里插入图片描述

大家好，我是yma16，在收到香橙派 AIpro 开发版之后开始动手实操，本期分享【香橙派 AIpro评测】烧系统运行部署LLMS大模型体验Jupyter Lab AI 应用样例（新手入门）

香橙派 AIpro

Orange Pi AI Pro 开发板是香橙派联合华为精心打造的高性能 AI 开发板，其搭载了昇腾 AI 处理器，可提供 8TOPS INT8 的计算能力，内存提供了 8GB 和 16GB两种版本。可以实现图像、视频等多种数据分析与推理计算，可广泛用于教育、机器人、无人机等场景。

开发版图解

前期的准备工作如下

⭐1.1下载镜像烧系统

官方下载镜像：
http://www.orangepi.cn/html/hardWare/computerAndMicrocontrollers/service-and-support/Orange-Pi-AIpro.html
下载unbuntu系统
unbuntu-select

官方的下载烧录镜像软件
https://etcher.balena.io/#download-etcher
下载昇腾开发一键制卡工具
点击下载
官方的sd卡配置文件可以提前查看内容

################################################################################
# 特别注意！！！
# 该文件用于设置开发板ip，请勿编辑任何无关内容，否则可能导致开发板无法启动
# 建议在两个网口均能直连时再根据需要将一个网口设置为"自动获得ip地址"
#   此时，一个网口连接路由，由路由分配ip，另一个网口直连电脑，用以调试# 生效标志位：设置为true，则该配置文件生效一次后会自动改成false
# 若修改该文件并希望下次开机重新配置ip，将标志位改成true
setting_flag=true################################################################################
# 网口0-由路由器分配ip地址(若设置为yes，则该网口的路由和ip不会生效)
eth0_dhcp4=yes# 网口0-ip地址
eth0_address=192.168.1.100# 网口0-掩码位数
eth0_mask=24# 网口0-路由(多个ip配置路由，仅有首个会生效)
eth0_route=# 网口0-域名地址-首选域名
eth0_dns_pre=8.8.8.8# 网口0-域名地址-备选域名
eth0_dns_alter=114.114.114.114################################################################################
# 网口0-由路由器分配ip地址(若设置为yes，则该网口的路由和ip不会生效)
eth1_dhcp4=no# 网口1-ip地址
eth1_address=192.168.137.100# 网口1-掩码位数
eth1_mask=24# 网口1-路由(多个ip配置路由，仅有首个会生效)
eth1_route=192.168.137.1# 网口1-域名地址-首选域名
eth1_dns_pre=8.8.8.8# 网口1-域名地址-备选域名
eth1_dns_alter=114.114.114.114################################################################################
# 网口0-由路由器分配ip地址(若设置为yes，则该网口的路由和ip不会生效)
usb0_dhcp4=no# typeC-ip地址
usb0_address=192.168.0.2# typeC-掩码位数
usb0_mask=24# typeC-路由(多个ip配置路由，仅有首个会生效)
usb0_route=# typeC-域名地址-首选域名
usb0_dns_pre=# typeC-域名地址-备选域名
usb0_dns_alter=

build
选择镜像、选择挂载的内存卡，等待约10分钟（3.0接口）
make-unbuntu

⭐1.2开发板初始化系统配置远程登陆

将烧好的unbuntu卡放入sd card槽
正面
在这里插入图片描述

反面
在这里插入图片描述
输入密码 (操作手册有密码：Mind@123)
open
远程ssh配置

sudo vi /etc/ssh/sshd_config
#增加以下配置允许通过ssh登录#PermitRootLogin prohibit-password
PermitRootLogin yes#修改完成后需要重启ssh服务命令如下
sudo service ssh restart

修改root密码

sudo passwd root

验证看root密码

💖 远程ssh

通过热点查看连接设备名称是 orangepi ai的ip
ip-ui

输入指令查看ip地址

ip addr

切换网络会更改ip
ssh 用户名@ip
输入密码
连接香橙派 AIpro，连接成功！
ssh

💖查看ubuntu桌面

安装的是ubuntu桌面的系统,进入ubuntu 桌面
unbutu

查看磁盘

df -h

df-h

目录	空间
dev/root	29G
tempfs	3.7G+1.5G

💖 远程向日葵

下载umo的版本即可

SUN-remote

二、部署LLMS大模型

使用开源项目ChatGLM3 ManualReset
在gitee查找32G以内的开源大模型
项目地址：https://gitee.com/wan-zutao/chatglm3-manual-reset

可以gitee搜索，找到ChatGLM3 ManualReset该项目，基于香橙派AIpro部署ChatGLM3-6B大语言模型
在这里插入图片描述

2.1 快速启动

💖拉取代码

创建chatglm/inference目录拉取该仓库的所有代码

cd /
mkdir -p  /chatglm/inference
git clone https://gitee.com/wan-zutao/chatglm3-manual-reset.git chatglm
cd chatglm/inference

💖下载mode数据

运行脚本下载model数据，中途网络中断可以删除 mode 和 token 目录重新下载

bash download.sh

拉取仓库过程运行的过程，下载内容超过6G数据量，过程比较慢长
run
在这里插入图片描述

💖启动模型对话

python 运行main脚本启动
main脚本调用chatglm.om（6.3G），响应有点慢

python3 main.py

打印出项目的可以访问地址
在这里插入图片描述
访问即可和大模型对话

三、体验内置AI 应用样例

香橙派 AIpro中预装了 Jupyter Lab 软件。Jupyter Lab 软件是一个基于 web
的交互式开发环境，集成了代码编辑器、终端、文件管理器等功能，使得开发者可以在一个界面中完成各种任务。并且我们在镜像中也预置了一些可以在Jupyter Lab 软件中运行的 AI 应用样例。这些样例都是使用 Python 编写的，并调用了 Python 版本的AscendCL 编程接口

3.1运行 jupyterLab

💖进入sample 启动jupyterLab

进入目录运行sh

cd ~
cd samples
./start_nontebook.sh

在这里插入图片描述

3.2打开Jupyter Lab页面

💖界面操作

左侧是ai体验的实例，点击进入目录下的ipynb后缀文件会执行python实例，markdown是可执行的，酷

在这里插入图片描述

3.3 释放内存

💖 关闭样例

选择kernel下的shut down allkernets，即可关闭所有运行的样例，避免空间不足
在这里插入图片描述

3.4运行目标检测样例

运动目标检测样例
park-demo
样例代码

import osimport time
import argparseimport matplotlib.pyplot as plt
from PIL import Image
import numpy as npfrom acllite_model import AclLiteModel as Model
from acllite_resource import AclLiteResource as AclResource
# om模型和图片的位置
MODEL_PATH = './cnnctc.om'
IMAGE_PATH = './predict.png'# 初始化acl资源
acl_resource = AclResource()
acl_resource.init()#导入本地om模型
print('load model....')
model = Model(MODEL_PATH)
print('load model finished....')# 文本与数据编码
class CTCLabelConverter():def __init__(self, character):dict_character = list(character)self.dict = {}for i, char in enumerate(dict_character):self.dict[char] = i + 1self.character = ['[blank]'] + dict_characterself.dict['[blank]'] = 0#将文本转换为数字编码def encode(self, text):length = [len(s) for s in text]text = ''.join(text)text = [self.dict[char] for char in text]return np.array(text), np.array(length)# 将数字编码转换为文本def decode(self, text_index, length):texts = []index = 0for l in length:t = text_index[index:index + l]char_list = []for i in range(l):if t[i] != self.dict['[blank]'] and (not (i > 0 and t[i - 1] == t[i])):char_list.append(self.character[t[i]])text = ''.join(char_list)texts.append(text)index += lreturn texts

运行时间8ms左右：输出parking文字和图片内容一致，符合预期
run-time

3.5运行图像曝光增强样例

选择04-HDR 的demo样例
run-img 定义资源管理类

import sys
import cv2
import numpy as np
import os
import time
import matplotlib.pyplot as plt
import aclimport acllite_utils as utils
import constants as constants
from acllite_model import AclLiteModel
from acllite_resource import resource_list
class AclLiteResource:"""AclLiteResource类"""def __init__(self, device_id=0):self.device_id = device_idself.context = Noneself.stream = Noneself.run_mode = Nonedef init(self):"""初始化资源"""print("init resource stage:")ret = acl.init() # acl初始化ret = acl.rt.set_device(self.device_id) # 指定运算的deviceutils.check_ret("acl.rt.set_device", ret)self.context, ret = acl.rt.create_context(self.device_id) # 创建contextutils.check_ret("acl.rt.create_context", ret)self.stream, ret = acl.rt.create_stream() # 创建streamutils.check_ret("acl.rt.create_stream", ret)self.run_mode, ret = acl.rt.get_run_mode() # 获取运行模式utils.check_ret("acl.rt.get_run_mode", ret)print("Init resource success")def __del__(self):print("acl resource release all resource")resource_list.destroy()if self.stream:print("acl resource release stream")acl.rt.destroy_stream(self.stream) # 销毁streamif self.context:print("acl resource release context")acl.rt.destroy_context(self.context) # 释放contextprint("Reset acl device ", self.device_id)acl.rt.reset_device(self.device_id) # 释放deviceprint("Release acl resource success")

推理功能

path = os.getcwd()
input_w = 512   # 推理输入width
input_h = 512   # 推理输入height
INPUT_DIR = os.path.join(path, 'data/') # 输入路径
OUTPUT_DIR = os.path.join(path, 'out/') # 输出路径def pre_process(dir_name, input_h, input_w):"""预处理"""BGR = cv2.imread(dir_name).astype(np.float32)h = BGR.shape[0]w = BGR.shape[1]# 进行归一化、缩放、颜色转换BGR = BGR / 255.0BGR = cv2.resize(BGR, (input_h, input_w))RGB = cv2.cvtColor(BGR, cv2.COLOR_BGR2RGB)return RGB, h, wdef post_process(input_img, result_list, pic, input_h, input_w):"""后处理"""o_w, o_h = input_img.shape[:2]# 获取推理结果，进行形状变换data = result_list[0].reshape(input_h, input_w, 3)# 进行缩放、颜色转换output = (cv2.resize(data, (o_w, o_h)) * 255.0).astype(np.uint8)output_img = cv2.cvtColor(output, cv2.COLOR_RGB2BGR)# 保存增强后图像file_name = os.path.join(OUTPUT_DIR, pic)cv2.imwrite(file_name, output_img)# 拼接输入图像和增强后图像，返回进行显示BGR_U8 = np.concatenate([input_img, output_img], axis=1)return BGR_U8def main():# 创建推理结果存放路径if not os.path.exists(OUTPUT_DIR):os.mkdir(OUTPUT_DIR)# acl初始化acl_resource = AclLiteResource()acl_resource.init()# 加载模型model_path = os.path.join(path, "model/image_HDR_enhance.om")model = AclLiteModel(model_path)# 遍历数据集进行推理src_dir = os.listdir(INPUT_DIR)for pic in src_dir:if not pic.lower().endswith(('.bmp', '.dib', '.png', '.jpg', '.jpeg', '.pbm', '.pgm', '.ppm', '.tif', '.tiff')):print('it is not a picture, %s, ignore this file and continue,' % pic)continuepic_path = os.path.join(INPUT_DIR, pic)input_img = cv2.imread(pic_path)# 进行预处理RGB_image, o_h, o_w = pre_process(pic_path, input_h, input_w)# 计算推理耗时start_time = time.time()# 执行推理result_list = model.execute([RGB_image, ])end_time = time.time()# 打印推理的图片信息和耗时print('pic:{}'.format(pic))print('pic_size:{}x{}'.format(o_h, o_w))print('time:{}ms'.format(int((end_time - start_time) * 1000)))print('\n')# 进行后处理img_result = post_process(input_img, result_list, pic, input_h, input_w)      # 显示输入图像和增强后图像img_RGB = img_result[:, :, [2, 1, 0]] # RGBplt.axis('off')plt.xticks([])plt.yticks([])plt.imshow(img_RGB)plt.show()

结果

acl resource release all resource
AclLiteModel release source success
acl resource release stream
acl resource release context
Reset acl device  0
Release acl resource success

生成的图像增强效果如下：
消耗时间316ms，响应极快
在这里插入图片描述

查看生成的out目录下的结果图片，十分清晰

cd out

res-hdr

四、总结

应用场景
香橙派 AIpro 开发板因为比较小巧轻量，内部集合Jupyter Lab 页面，非常方便，对于入门人工智能的开发者非常友好。

试用场景也不仅仅局限于本文的操作，还有以下的多个方向等：

原型开发：开发板是原型开发的理想工具。通过连接传感器、执行器和其他外设，开发人员可以快速验证和迭代他们的想法，并评估其可行性。
学习和教育：开发板可以作为学生和初学者学习编程和电子技术的工具。它们提供了一个实践的平台，让学习者通过实际操作来理解电子原理和编程概念。
项目演示：开发板可以用于演示和展示技术项目。无论是在学术会议上还是在公司内部会议上，通过展示实际的硬件和软件成果，可以增强演示和沟通的效果。
物联网应用：开发板是物联网应用开发的重要工具。它们可以用于构建和测试各种物联网设备和传感器网络。
自动化控制：开发板可以用于构建自动化控制系统。通过连接和控制传感器和执行器，可以实现各种自动化任务，如智能家居控制、工业自动化等。
香橙派 AIpro的性能体验：
散热：开发板的散热性能良好，持续运行8个小时整个板子的温度都比较低。
噪音：开发板的噪音产生主要来自于风扇，开机过程中存在一点噪音，开机之后噪音就降下来了，影响不大。

负载：开发板的内存和cpu的使用情况状态处于健康状态，能够同时处理的任务或数据量。
在这里插入图片描述
烧录系统部署项目过程体验
从拿到板子，然后通过sd卡烧镜像系统，再把sd卡放入香橙派 AIpro，开机之后系统已经安装好了，直接输入密码就可以进入。比以往的安装系统方便快捷不少，不需要一步一步去配置网卡和dns用户名等。
进入开发板有内置的Jupyter Lab 可以在界面上运行ai应用实例，更方便调试运行和对比数据集的结果，相比于传统开发板香橙派 AIpro更加简单和智能化。