目录

前言

在进行AI相关的测试之前，我已经对OrangePi AIpro进行了初步的嵌入式操作评估。现在，我将转向AI功能的探索，以揭示华为昇腾芯片的独特优势。

1 探索AI CPU与标准CPU之间的差异

在开始这一部分之前，请确保您已经使用串行调试接口或SSH远程登录到OrangePi AIpro。登录信息如下：用户名"HwHiAiUser"，密码"Mind@123"。同时，请将串口的波特率设置为115200，以确保通讯顺畅。

1.1 npu-smi info

npu-smi info

(base) HwHiAiUser@orangepiaipro:~$ npu-smi info
+--------------------------------------------------------------------------------------------------------+
| npu-smi 23.0.0                                   Version: 23.0.0                                       |
+-------------------------------+-----------------+------------------------------------------------------+
| NPU     Name                  | Health          | Power(W)     Temp(C)           Hugepages-Usage(page) |
| Chip    Device                | Bus-Id          | AICore(%)    Memory-Usage(MB)                        |
+===============================+=================+======================================================+
| 0       310B4                 | Alarm           | 0.0          45                15    / 15            |
| 0       0                     | NA              | 0            1564 / 7545                             |
+===============================+=================+======================================================+
(base) HwHiAiUser@orangepiaipro:~$

1.2 npu-smi info -t cpu-num-cfg

说实话，我也不太会看。只知道是8G，7545表示8GB内存。然后默认4核中，3个核是普通CPU，1个是AI CPU，平时AI CPU占用率是0%的。

这个操作可以查看到目前CPU情况。

(base) HwHiAiUser@orangepiaipro:~$ npu-smi info -t cpu-num-cfg -i 0 -c 0
        Current AI CPU number          : 1
        Current control CPU number     : 3
        Current data CPU number        : 0
(base) HwHiAiUser@orangepiaipro:~$

这个是查看利用率。

(base) HwHiAiUser@orangepiaipro:~$ npu-smi info -t usages -i 0 -c 0
        Memory Capacity(MB)            : 7545
        Memory Usage Rate(%)           : 21
        Hugepages Total(page)          : 15
        Hugepages Usage Rate(%)        : 100
        Aicore Usage Rate(%)           : 0
        Aicpu Usage Rate(%)            : 0
        Ctrlcpu Usage Rate(%)          : 2
        Memory Bandwidth Usage Rate(%) : 1
(base) HwHiAiUser@orangepiaipro:~$

然后参考说明书，这个指令还可以设置AI CPU为普通CPU，不过我暂时不操作了。

2.AI Demo

看用户手册，这里的demo是需要先运行Jupyter Lab的。这距离实际部署又差了一段距离。不过对于新手还是比较友好的，多了图形界面。

2.1 运行 Jupyter Lab

运行这个 Jupyter需要命令行执行：

cd ~/samples/notebooks
./start_notebook.sh

看这里的链接，是无法通过局域网访问的。
我想要通过局域网访问：

jupyter lab --ip 192.168.123.179  --port 5678 --allow-root --no-browser

注意这里192.168.123.179是OrangePi AIpro的ip，和windows电脑处于同一个路由器下。

电脑可以访问了：

2.2 运行yolov5 demo

我也不是很熟悉Jupyter，最开始是在百度Ai Studio类似的工具中看到的，按播放可以运行一个个代码块。
打开 yolov5下的main.ipynb。这个格式的文件都需要用Jupyter打开才可以的，不能直接用python运行的。不便于部署，但是便于入门，也可以带有很多注释。带有注释就弥补了很多python库缺少文档的缺点。c/c++的开源库，往往编程基础扎实，也能输出文档。python的库没那么多规矩。

打开 main.ipynb后，点击>>重新运行。

随后等待一段时间，就会有视频输出了。这个demo未修改下，是处理video的。

Jupyter不错，可以显示处理结果。图片和视频都可以。

根据用户手册，这个demo还可以处理图像。修改第4个代码块中的infer_mode，修改为image，再次执行。

会输出结果：

到这里就运行了第一个demo。本demo其实还可以调用摄像头进行识别。不过我暂时未接入摄像头。
其余的demo用同样的方法就可以执行。目前有这几个demo，只要适当修改，就可以直接应用于特定场景当中。

demo还是做得挺完善的，有图像视频处理、文本、图像HDR、语音分类等。其实实际部署到板卡的AI模型，难点在于基本都是在英伟达的GPU中训练，然后再经过模型转换后放到板子上运行的。我以前在电脑中训练过微小模型（LeNet），用的是Tensorflow+Keras，部署到英伟达的GPU、Jetson都很方便，但是要移植到别的AI板卡，就卡在自己不会算子这里。

3.还原为脚本

我还是偏爱脚本，后续可以直接命令行运行。
切换目录：

cd ~/samples/notebooks/01-yolov5

创建文件：

vim main.py

添加内容：

导入代码依赖

import cv2
import numpy as np
import ipywidgets as widgets
from IPython.display import display
import torch
from skvideo.io import vreader, FFmpegWriter
import IPython.display
from ais_bench.infer.interface import InferSession
 
from det_utils import letterbox, scale_coords, nms
 
def preprocess_image(image, cfg, bgr2rgb=True):
    """图片预处理"""
    img, scale_ratio, pad_size = letterbox(image, new_shape=cfg['input_shape'])
    if bgr2rgb:
        img = img[:, :, ::-1]
    img = img.transpose(2, 0, 1)  # HWC2CHW
    img = np.ascontiguousarray(img, dtype=np.float32)
    return img, scale_ratio, pad_size
 
 
def draw_bbox(bbox, img0, color, wt, names):
    """在图片上画预测框"""
    det_result_str = ''
    for idx, class_id in enumerate(bbox[:, 5]):
        if float(bbox[idx][4] < float(0.05)):
            continue
        img0 = cv2.rectangle(img0, (int(bbox[idx][0]), int(bbox[idx][1])), (int(bbox[idx][2]), int(bbox[idx][3])),
                             color, wt)
        img0 = cv2.putText(img0, str(idx) + ' ' + names[int(class_id)], (int(bbox[idx][0]), int(bbox[idx][1] + 16)),
                           cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 255), 1)
        img0 = cv2.putText(img0, '{:.4f}'.format(bbox[idx][4]), (int(bbox[idx][0]), int(bbox[idx][1] + 32)),
                           cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 255), 1)
        det_result_str += '{} {} {} {} {} {}\n'.format(
            names[bbox[idx][5]], str(bbox[idx][4]), bbox[idx][0], bbox[idx][1], bbox[idx][2], bbox[idx][3])
    return img0
 
 
def get_labels_from_txt(path):
    """从txt文件获取图片标签"""
    labels_dict = dict()
    with open(path) as f:
        for cat_id, label in enumerate(f.readlines()):
            labels_dict[cat_id] = label.strip()
    return labels_dict
 
 
def draw_prediction(pred, image, labels):
    """在图片上画出预测框并进行可视化展示"""
    imgbox = widgets.Image(format='jpg', height=720, width=1280)
    img_dw = draw_bbox(pred, image, (0, 255, 0), 2, labels)
    imgbox.value = cv2.imencode('.jpg', img_dw)[1].tobytes()
    display(imgbox)
 
 
def infer_image(img_path, model, class_names, cfg):
    """图片推理"""
    # 图片载入
    image = cv2.imread(img_path)
    # 数据预处理
    img, scale_ratio, pad_size = preprocess_image(image, cfg)
    # 模型推理
    output = model.infer([img])[0]
 
    output = torch.tensor(output)
    # 非极大值抑制后处理
    boxout = nms(output, conf_thres=cfg["conf_thres"], iou_thres=cfg["iou_thres"])
    pred_all = boxout[0].numpy()
    # 预测坐标转换
    scale_coords(cfg['input_shape'], pred_all[:, :4], image.shape, ratio_pad=(scale_ratio, pad_size))
    # 图片预测结果可视化
    draw_prediction(pred_all, image, class_names)
 
 
def infer_frame_with_vis(image, model, labels_dict, cfg, bgr2rgb=True):
    # 数据预处理
    img, scale_ratio, pad_size = preprocess_image(image, cfg, bgr2rgb)
    # 模型推理
    output = model.infer([img])[0]
 
    output = torch.tensor(output)
    # 非极大值抑制后处理
    boxout = nms(output, conf_thres=cfg["conf_thres"], iou_thres=cfg["iou_thres"])
    pred_all = boxout[0].numpy()
    # 预测坐标转换
    scale_coords(cfg['input_shape'], pred_all[:, :4], image.shape, ratio_pad=(scale_ratio, pad_size))
    # 图片预测结果可视化
    img_vis = draw_bbox(pred_all, image, (0, 255, 0), 2, labels_dict)
    return img_vis
 
 
def img2bytes(image):
    """将图片转换为字节码"""
    return bytes(cv2.imencode('.jpg', image)[1])
 
 
def infer_video(video_path, model, labels_dict, cfg):
    """视频推理"""
    image_widget = widgets.Image(format='jpeg', width=800, height=600)
    display(image_widget)
 
    # 读入视频
    cap = cv2.VideoCapture(video_path)
    while True:
        ret, img_frame = cap.read()
        if not ret:
            break
        # 对视频帧进行推理
        image_pred = infer_frame_with_vis(img_frame, model, labels_dict, cfg, bgr2rgb=True)
        image_widget.value = img2bytes(image_pred)
 
 
def infer_camera(model, labels_dict, cfg):
    """外设摄像头实时推理"""
    def find_camera_index():
        max_index_to_check = 10  # Maximum index to check for camera
 
        for index in range(max_index_to_check):
            cap = cv2.VideoCapture(index)
            if cap.read()[0]:
                cap.release()
                return index
 
        # If no camera is found
        raise ValueError("No camera found.")
 
    # 获取摄像头
    camera_index = find_camera_index()
    cap = cv2.VideoCapture(camera_index)
    # 初始化可视化对象
    image_widget = widgets.Image(format='jpeg', width=1280, height=720)
    display(image_widget)
    while True:
        # 对摄像头每一帧进行推理和可视化
        _, img_frame = cap.read()
        image_pred = infer_frame_with_vis(img_frame, model, labels_dict, cfg)
        image_widget.value = img2bytes(image_pred)
        
cfg = {
    'conf_thres': 0.4,  # 模型置信度阈值，阈值越低，得到的预测框越多
    'iou_thres': 0.5,  # IOU阈值，高于这个阈值的重叠预测框会被过滤掉
    'input_shape': [640, 640],  # 模型输入尺寸
}
 
model_path = 'yolo.om'
label_path = './coco_names.txt'
# 初始化推理模型
model = InferSession(0, model_path)
labels_dict = get_labels_from_txt(label_path)
 
 
infer_mode = 'image'
 
if infer_mode == 'image':
    img_path = 'world_cup.jpg'
    infer_image(img_path, model, labels_dict, cfg)
elif infer_mode == 'camera':
    infer_camera(model, labels_dict, cfg)
elif infer_mode == 'video':
    video_path = 'racing.mp4'
    infer_video(video_path, model, labels_dict, cfg)

运行测试：

python3 main.py

这里用脚本调用AI处理器，比上面的Jupyter更利于实际部署。图形界面给学习上手较好，linux服务器还不一定有图形界面。当服务器是后台服务器，没有前端技术，就会只有命令行执行程序。下文还给设备添加HTTP接口，实现命令行被局域网访问。但是如果要执行特定代码，还需要继续开发。

4.如何通过HTTP被调用

假如本板卡不是个大脑，只是个辅助性的AI。那么本板卡需要开发个接口API，给外部调用。虽然SSH也是可以远程执行脚本，不过还是HTTP接口的API比较友好。HTTP形式的，也利于跨平台跨设备进行互相通信。

接下来演示基于python+flask实现的http接口的hello world。

4.1 创建文件 http_api.py

from flask import Flask
 
app = Flask(__name__)
app.config['JSON_AS_ASCII'] = False  # 禁止中文转义
 
@app.route('/HelloWorld')
def hello_world():
    return "Hello World!"
 
if __name__ == "__main__":
    app.run(host="0.0.0.0")

4.2 安装依赖

python3 -m pip install flask

4.3 运行

python3 http_api.py

4.4 接口测试

浏览器打开 192.168.123.179:5000/HelloWorld

用postman测试http接口：

这里用的是Get方式。后续还可以开发HTTP POST接口用以数据交互。比如可以post图像文件到板卡，然后板子用python调用AI处理器进行图像处理。不过本文暂时没有做到那么多。

5 总结与反思

我对华为昇腾的AI架构和算子并不十分了解，目前仅处于尝试运行演示程序的阶段，并未深入到AI开发的核心领域。本文通过使用npu-smi命令，我得以一窥昇腾CPU的独特之处——它能够将CPU核心配置为普通或AI专用，这一功能颇具特色。在参考了用户手册之后，我成功运行了第一个AI演示程序。体验中，我发现该开发板的计算能力相当可观，尤其是在处理视频时，效率显著，远快于我以往使用OpenCV在CPU模式下处理同样时长视频的经历。这表明昇腾在图像和视频处理方面的AI性能相当出色。

此外，文章还提供了在开发板上实现HTTP接口的"Hello World"示例，突显了AI开发板需要一个易于调用的接口，以便将小型AI功能集成到更大的系统中。尽管我目前对AI领域的理解还比较浅显，但通过这些基础的实践，我对昇腾AI板卡的潜力和应用前景有了初步的认识。