🍁 作者：知识浅谈，CSDN签约讲师，CSDN博客专家，华为云云享专家，阿里云专家博主
📌 擅长领域：全栈工程师、爬虫、ACM算法
💒 公众号：知识浅谈
🔥 微信：zsqtcyl 联系我领取福利

🤞拥抱香橙派AIPro,解锁目标检测智慧算力🤞

🎈香橙派AIPro是什么？

香橙派AIPro是由香橙派联合华为精心打造，建设人工智能新生态的高端产品，采用昇腾AI技术路线，拥有8TOPSAI算力，8GB/16GB的LPDDR4X内存。

香橙派AIPro拥有丰富的拓展接口，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。
香橙派AIPro支持Ubuntu、openEuler操作系统，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。

🎈香橙派AIPro支持的AI场景

由于支持的场景较多，以下介绍三种常见场景

1. 目标检测&目标分类
   通过上传指定视频到香橙派AIPro或者USB接口连接Camera与开发板，从Camera获取视频，基于yolov系列模型对输入视频中的物体做实时检测，将推理结果信息通过实时视频进行展示。
   

   

2. 手写数字识别（训练&推理）
   手写数字识别是将手写数字图像映射到相应的数字类别上的过程。它是机器学习和计算机视觉领域的一个经典问题。实现手写数字识别涉及到数据收集、特征提取、模型选择、训练和评估等机器学习中的基本步骤。
   

   

3. 视频编码解码
   视频解码使用ACLLite接口完成视频解码，主要功能为读取mp4文件的前十帧并解码为YUV图片，视频编码使用ACLLite接口完成视频编码，主要功能为读取YUV文件的十次并编码为H264视频文件。

   🎈SSH连接香橙派AIPro完成摄像头接入

   

   本次测试采用的是USB摄像头接入

   

   🎈香橙派AIPro运行YoloV5s实时目标检测

🍮 前期准备

1.设置环境变量并安装

 #进入SSH配置程序编译依赖的头文件与库文件路径
export DDK_PATH=/usr/local/Ascend/ascend-toolkit/latest 
export NPU_HOST_LIB=$DDK_PATH/runtime/lib64/stub

2.安装ACLLite库和ffmpeg

#一般Ubuntu 22.04已经安装了如下的包
apt-get install ffmpeg libavcodec-dev libswscale-dev libavdevice-dev
# 拉取ACLLite仓库，并进入目录
git clone https://gitee.com/ascend/ACLLite.git
cd ACLLite

# 设置环境变量，其中DDK_PATH中/usr/local请替换为实际CANN包的安装路径
export DDK_PATH=/usr/local/Ascend/ascend-toolkit/latest
export NPU_HOST_LIB=$DDK_PATH/runtime/lib64/stub

# 安装，编译过程中会将库文件安装到/lib目录下，所以会有sudo命令，需要输入密码
bash build_so.sh

🍮源码仓库下载

1.进入SSH页面下载源码仓

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

# 切换到样例目录
cd EdgeAndRobotics/Samples/YOLOV5USBCamera/model

2.下载PyTorch框架的Yolov5模型（.onnx），并转换为昇腾AI处理器能识别的模型（.om）**
这个地方需要注意一下:昇腾AI处理器识别的是.om后缀的模型，所以需要转换

#(可选，可选，可选)当设备内存小于8G时，可设置如下两个环境变量减少atc模型转换过程中使用的进程数，减小内存占用。
export TE_PARALLEL_COMPILER=1
export MAX_COMPILE_CORE_NUMBER=1
#下载yolov5s的模型和转换模型
wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/003_Atc_Models/yolov5s/yolov5s.onnx --no-check-certificate
wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/003_Atc_Models/yolov5s/aipp.cfg --no-check-certificate

🍮目标检测执行

1.执行转换命令把yolov5s.onnx转为yolov5s.om

atc --model=yolov5s.onnx --framework=5 --output=yolov5s --input_shape="images:1,3,640,640"  --soc_version=Ascend310B4  --insert_op_conf=aipp.cfg

这个转换的过程比较长，稍等一下

atc命令中各参数的解释如下，
--model：Yolov5网络的模型文件的路径。
--framework：原始框架类型。5表示ONNX。
--output：yolov5s.om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。

2.编译样例源码

cd ../scripts 
bash sample_build.sh

3.运行样例
这个时候HDMI把香橙派AIPro连接到显示屏，然后执行以下命令运行程序，开启摄像头图像接入，然后在显示屏上实时显示目标检测结果的画面

#执行以下脚本运行样例。
bash sample_run.sh imshow

运行视频演示：

🍚总结

使用感受：本次使用香橙派AIPro运行yolov5s，主要是对该开发板进行目标检测能力的测试，通过摄像头实时接收图像进行目标检测，无论是人像，手机等其他工具都能够很好的进行识别，香橙派AIPro具有迷你紧凑的机身，却能支撑如此大的算力，极大的助力了我国物联网+AI的发展。
使用场景：目标检测，机器人，自然语言、智能小车、机械臂、人工智能、无人机、云计算、AR/VR、智能安防、智能家居等处理等场景都能很好的应对，相比于其他派，最亮眼的地方是香橙派AIPro基于昇腾深度研发的AI开发板，集成了大算力，能够有效应对各种AI环境。
个人建议：与国产派和传统派系列的相比来说，香橙派AIPro具有很好的优势，作为以支撑强大算力的开发板来说，需要改进的一点是8/16tops的算力还是稍微有些低，可以借鉴Jetson，从算力方面进行提升，以便能够适应更大算力的大模型。

大功告成，撒花致谢🎆🎇🌟，关注我不迷路，带你起飞带你富。
Writted By 知识浅谈