存储库的 fpga 分支中: ❝https://github.com/mit-han-lab/temporal-shift-module ❞ 环境设置 要为上面这些设置开发环境,按照此处所述进行初始 Vitis-AI 环境设置: ❝https: //github.com/Xilinx/Vitis-AI ❞ 使用的 ZCU104 DPU 映像如下所述: ❝https: //github.com/Xilinx/Vitis-AI Runtime_and_System_Optimization/Design_Tutorials/02-ivas-ml ❞ Ultra96V2 映像是根据 2020.1 Avnet BSP 构建的,并在 petalinux 构建时启用 Vitis-AI tsm-networks-for-efficient-video-understanding-on-fpga-f881ba ❞ ❝https://hanlab.mit.edu/projects/tsm/ ❞ ❝https: //github.com/Xilinx/Vitis-AI
org.gnome.shell.extensions.dash-to-dock animate-show-apps false 接下来,调用下面命令将系统更新到最新版本 sudo apt upgrade 早期版本的 Vitis-AI (确保运行Docker的磁盘分区至少有100GB的磁盘空间) $ docker pull xilinx/vitis-ai-cpu:latest clone Vitis-AI 文件夹 git clone --recurse-submodules https://github.com/Xilinx/Vitis-AI cd Vitis-AI 启动 Docker bash -x . e53cd4e6565cb56fdce2f88ed38942a569849fbd # Tutorial v1.3 现在我们可以从这些目录访问 YOLOv4 教程: 从主机目录:~/Documents/Vitis-AI 新指南替换为 *.xmodel 文件 从 Vitis-AI v1.3 开始,该工具不再生成 *.elf 文件,而是 *.xmodel 并且将用于在边缘设备上部署模型。
FPGA 也是如此,例如 Xilinx 提供了一个名为Vitis-AI的推理框架,而英特尔 FPGA 提供了OpenVINO 工具包。 在本节中,根据DPU Vitis-AI 中用于边缘设备 DPU DPU是Deep Learning Processing Unit的缩写,顾名思义就是深度学习的处理器。 DPU只支持8bit的量化网络,其量化工具在Vitis-AI(原DNNDK)中提供。 下面我们挑选 DPU 架构中的一些有趣的点简单说一下。
开始工作之前需要先在Host机器上配置好Vitis-AI Docker环境,这部分完全参考 https://github.com/Xilinx/Vitis-AI Guide 即可。
模型库:https://github.com/Xilinx/Vitis-AI/tree/v1.3 对于DPU的设计,我们需要在自己的电脑上进行,在添加模块后,我们使用如下命令进行编译: make BOARD