香橙派AIpro-携手华为-为AI赋能

news2024/9/21 13:36:30

文章目录

  • 香橙派AIpro-携手华为-为AI赋能
    • 开箱和功能介绍
      • 开箱
      • 功能介绍
    • 环境搭建
      • 镜像烧录
      • 进入系统
    • 测试项目YOLOv5
      • 部署YOLOv5识别单张图片
      • 实时识别视频
      • 使用Ascend测试yolov5
    • 产品评价

香橙派AIpro-携手华为-为AI赋能

今天新入手了一款香橙派AIPro，让我们一起跟着文章体验一下不一样的

开箱和功能介绍

开箱

香橙派AIpro包装是比较精致的，一共包含开发板，65W充电器和充电线一根，开发板中有一个32G的内存卡，里面是包含自带的系统。
在这里插入图片描述
主板对比，香橙派和我手中现有的AI板 Alinx zynq7000相比，体积更小，且不需要接入外置模块即可使用串口进行通信，整体结构更干净整洁。接通电源之后，香橙派的风扇声音也较小，且正常运行时在我的环境下，感知不到风扇的声音。
在这里插入图片描述

功能介绍

OrangePi AIpro(8-12T)采用昇腾AI技术路线，具体为4核64位处理器+AI处理器，集成图形处理器，支持8-12TOPS AI算力，拥有8GB/16GB LPDDR4X，可以外接32GB/64GB/128GB/256GB eMMC模块，支持双4K高清输出。 Orange Pi AIpro引用了相当丰富的接口，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，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，覆盖 AIoT各个行业。 Orange Pi AIpro支持Ubuntu、openEuler操作系统，满足大多数AI算法原型验证、推理应用开发的需求。

  • 硬件规格参数：
硬件参数
CPU4核64位处理器+ AI处理器
GPU集成图形处理器
AI算力8-12TOPS算力
内存LPDDR4X：8GB/16GB（可选），速率：3200Mbps
存储1.SPI FLASH：32MB SATA/NVME SSD
2.（M.2接口2280）
3. eMMC插槽：32GB/64GB/128GB/256GB（可选），eMMC5.1 HS400
4.TF插槽
WIFI+蓝牙Wi-Fi 5双频2.4G和5G
BT4.2/BLE
以太网收发器10/100/1000Mbps以太网
显示2xHDMI2.0 Type-A TX 4K@60FPS
1x2 lane MIPI DSI via FPC connector
摄像头2x2-lane MIPI CSI camera interface，兼容树莓派摄像头
USBUSB 3.0 HOST x2
USB Type-C 3.0 HOST x1
Micro USB x1 串口打印功能
音频3.5mm耳机孔音频输入/输出
按键1x关机键、1xRESET键、2x启动方式拨动键、1x烧录按键
40PIN40PIN 功能扩展接口，支持以下接口类型：
GPIO、UART、I2C、SPI、 I2S、PWM
风扇风扇接口x1
预留接口2PIN电池接口
电源Type-C PD 20V IN ，标准65W
支持的操作系统Ubuntu、openEuler
产品尺寸107*68mm
重量82g
  • 产品图
    在这里插入图片描述

环境搭建

镜像烧录

接下来我们到官网去下载一个镜像，将其烧录到内存卡中，并且等待烧录完成，
注意： 我使用的是win11操作系统，使用香橙派资料提供的烧录工具烧录一直失败。但是也是可以进系统的。记得要使用管理员方式去启动烧写工具，不然可能即使显示烧写成功，也无法进入系统。
香橙派资料下载地址
烧录工具下载地址
在这里插入图片描述
在这里插入图片描述

进入系统

  • 进入系统： 接上电源等待开机之后进入系统，之后输入密码Mind@123即可进入系统，我这里烧录的是香橙派提供的Ubuntu镜像
    在这里插入图片描述

  • 配置WIFI模块：使用图形界面连接上WIFI之后查看对应的地址

在这里插入图片描述

  • 查看地址并使用远程ssh连接
    在这里插入图片描述
    在这里插入图片描述
  • 下载pycharm: 测试网络模块，并且下载pycharm，可以看到可以正常进行互联网的访问
    在这里插入图片描述
  • 打开pycharm：香橙派的Ubuntu环境还是比较全的，可以正常的使用MobaXterm进行远程打开pycharm
    在这里插入图片描述

测试项目YOLOv5

香橙派自带的conda的base安装的python环境是3.9.2，我们这里就使用这个环境来测试，如果你想更换的话请使用下面的命令自行更换环境

conda create -n name python=version

部署YOLOv5识别单张图片

  • 先到github上去下载yolov5
  • 将下载的zip文件传到香橙派中
  • 解压
unzip yolov5-master.zip
cd yolov5-master
  • 检查pip位置是否正确
which pip
# (base) HwHiAiUser@orangepiaipro:~/Documents/yolov5-master$ which pip
# /usr/local/miniconda3/bin/pip
  • 安装对应的库，这里面的错误我们先忽略。经过实验，这两个错误并不会影响运行。
pip3 install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple/

在这里插入图片描述

  • 识别单张图片 ： 这个里面的yolov5m-seg.pt如果不存在，会自动到github上去下载，但是速度极慢，建议是下载好，然后指定对应路径的pt文件
python segment/predict.py --weights yolov5m-seg.pt --data data/images/bus.jpg

在这里插入图片描述

  • 观察输出：通过对比识别结果和原始图片，我们会发现YOLOv5模型在识别效率和精度方面表现非常出色。无论是公交车的轮廓还是细节，模型都能够准确地识别并标注出来，显示了其强大的图像处理能力。
# Fusing layers...
# YOLOv5m-seg summary: 301 layers, 21971597 parameters, 0 gradients, 70.8 GFLOPs
# image 1/2 /home/HwHiAiUser/Documents/yolov5-master/data/images/bus.jpg: 640x480 4 persons, 1 bus, 2052.6ms
# image 2/2 /home/HwHiAiUser/Documents/yolov5-master/data/images/zidane.jpg: 384x640 2 persons, 1 tie, 1660.7ms
# Speed: 4.7ms pre-process, 1856.6ms inference, 13.7ms NMS per image at shape (1, 3, 640, 640)
# Results saved to runs/predict-seg/exp3

实时识别视频

  • 使用yolo对视频进行实时监测
    修改源码detect.py的361行
parser = argparse.ArgumentParser()
    parser.add_argument("--weights", nargs="+", type=str, default=ROOT / "yolov5s.pt", help="model path or triton URL")
    # parser.add_argument("--source", type=str, default=ROOT / "data/images", help="file/dir/URL/glob/screen/0(webcam)")
    parser.add_argument("--source", type=str, default=ROOT / "data/video", help="file/dir/URL/glob/screen/0(webcam)")
    parser.add_argument("--data", type=str, default=ROOT / "data/coco128.yaml", help="(optional) dataset.yaml path")
    parser.add_argument("--imgsz", "--img", "--img-size", nargs="+", type=int, default=[640], help="inference size h,w")
    parser.add_argument("--conf-thres", type=float, default=0.25, help="confidence threshold")
    parser.add_argument("--iou-thres", type=float, default=0.45, help="NMS IoU threshold")
    parser.add_argument("--max-det", type=int, default=1000, help="maximum detections per image")
    parser.add_argument("--device", default="", help="cuda device, i.e. 0 or 0,1,2,3 or cpu")
    parser.add_argument("--view-img", action="store_true", help="show results")
    parser.add_argument("--save-txt", action="store_true", help="save results to *.txt")
    parser.add_argument("--save-csv", action="store_true", help="save results in CSV format")
    parser.add_argument("--save-conf", action="store_true", help="save confidences in --save-txt labels")
    parser.add_argument("--save-crop", action="store_true", help="save cropped prediction boxes")
    parser.add_argument("--nosave", action="store_true", help="do not save images/videos")
    parser.add_argument("--classes", nargs="+", type=int, help="filter by class: --classes 0, or --classes 0 2 3")
    parser.add_argument("--agnostic-nms", action="store_true", help="class-agnostic NMS")
    parser.add_argument("--augment", action="store_true", help="augmented inference")
    parser.add_argument("--visualize", action="store_true", help="visualize features")
    parser.add_argument("--update", action="store_true", help="update all models")
    parser.add_argument("--project", default=ROOT / "runs/detect", help="save results to project/name")
    parser.add_argument("--name", default="exp", help="save results to project/name")
    parser.add_argument("--exist-ok", action="store_true", help="existing project/name ok, do not increment")
    parser.add_argument("--line-thickness", default=3, type=int, help="bounding box thickness (pixels)")
    parser.add_argument("--hide-labels", default=False, action="store_true", help="hide labels")
    parser.add_argument("--hide-conf", default=False, action="store_true", help="hide confidences")
    parser.add_argument("--half", action="store_true", help="use FP16 half-precision inference")
    parser.add_argument("--dnn", action="store_true", help="use OpenCV DNN for ONNX inference")
    parser.add_argument("--vid-stride", type=int, default=1, help="video frame-rate stride")
    opt = parser.parse_args()
    opt.imgsz *= 2 if len(opt.imgsz) == 1 else 1  # expand
    print_args(vars(opt))
    return opt
  • 执行下面的命令：等待完成
python segment/predict.py --weights ~/Documents/yolov5m-seg.pt --source ~/Downloads/test.mp4

在这里插入图片描述

YoloV5测试视频

使用Ascend测试yolov5

测试项目下载地址

# 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=$DDK_PATH/runtime/lib64/stub
# 安装对应的库
apt-get install ffmpeg libavcodec-dev libswscale-dev libavdevice-dev
# 安装ACLLite
# 拉取ACLLite仓库，并进入目录
git clone https://gitee.com/ascend/ACLLite.git
cd ACLLite
# 设置环境变量，其中DDK_PATH中/usr/local请替换为实际CANN包的安装路径
export DDK_PATH=/usr/local/Ascend/ascend-toolkit/latest
export NPU_HOST_LIB=$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
# 解压之后进入yolo文件夹
cd EdgeAndRobotics/Samples/YOLOV5MultiInput
export TE_PARALLEL_COMPILER=1
export MAX_COMPILE_CORE_NUMBER=1

# 下载并且转换相关的模型
cd model
wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/003_Atc_Models/yolov5s/yolov5s_nms.onnx --no-check-certificate
wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/003_Atc_Models/yolov5s/aipp.cfg --no-check-certificate
atc --model=yolov5s_nms.onnx --framework=5 --output=yolov5s_nms --input_shape="images:1,3,640,640;img_info:1,4"  --soc_version=Ascend310B4 --insert_op_conf=aipp.cfg
# 准备测试视频
cd ../data 
wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/003_Atc_Models/yolov5s/test.mp4 --no-check-certificate
# 编译样例源码
cd ../scripts 
bash sample_build.sh

# 在HDMI连接屏幕场景，执行以下脚本运行样例。此时会以画面的形式呈现推理效果。
bash sample_run.sh imshow
# 在直连电脑场景，执行以下脚本运行样例。此时会以结果打屏的形式呈现推理效果。
bash sample_run.sh stdout
  • 模型转换结果
    在这里插入图片描述
  • 模型输出结果
    在这里插入图片描述

产品评价

香橙派AiPro是一款功能强大的AI开发板

  • 性能强劲：香橙派AiPro采用了昇腾AI技术路线，配备了4核64位处理器+AI处理器，并集成了图形处理器。它支持高达8TOPS的AI算力，并拥有8GB/16GB LPDDR4X内存，可以外接多种容量的eMMC模块12。这些配置使得香橙派AiPro在AI算法原型验证、推理应用开发等方面表现出色。
  • 丰富的接口和拓展性：香橙派AiPro配备了相当丰富的接口，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、USB接口等，还预留了电池接口。这些接口赋予了香橙派AiPro强大的可拓展性，使其能够适应多种应用场景。
  • 支持多种操作系统：香橙派AiPro支持Ubuntu、openEuler等操作系统，这为用户提供了更多的选择空间，同时也方便了用户根据自己的需求进行开发和部署。
  • 使用体验：香橙派AiPro的包装盒精致小巧，官方提供了完整的配件，包括开发板、适配器和充电器等。开发板上的静音风扇效果良好，开机时噪音短暂，之后几乎无声。WIFI和蓝牙的天线扣设计位置也相对方便。在实际使用中，用户可以通过HDMI接口连接开发板显示，也可以通过SSH等方式远程连接。

综上所述，香橙派AiPro是一款性能强劲、接口丰富、拓展性强、支持多种操作系统的AI开发板。如果你正在寻找一款功能强大的AI开发板，香橙派AiPro是一个不错的选择。

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.coloradmin.cn/o/1934799.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

ELK日志分析系统部署文档

ELK日志分析系统部署文档

一、ELK说明 ELK是Elasticsearch（ES） Logstash Kibana 这三个开源工具组成，官方网站: The Elastic Search AI Platform — Drive real-time insights | Elastic 简单的ELK架构 ES: 是一个分布式、高扩展、高实时的搜索与数据分析引擎。它…
阅读更多...
适用于618/7xx芯片平台 AT开发 远程FOTA升级指南教程

适用于618/7xx芯片平台 AT开发 远程FOTA升级指南教程

简介 AT版本的远程升级主要是对AT固件版本进行升级，实际方式为通过合宙官方IOT平台升级或者使用自己搭建的服务器进行升级服务。 该文档教程流程适用于 618/716S/718P 芯片平台的Cat.1模块 合宙IOT平台配置 升级日志 —— 如何查看 升级日志 —— 响应码列表 响应…
阅读更多...
算法之判断对称二叉树

算法之判断对称二叉树

94. 二叉树的中序遍历101. 对称二叉树 给你一个二叉树的根节点 root ， 检查它是否轴对称。 示例 1： 输入：root [1,2,2,3,4,4,3] 输出：true示例 2： 输入：root [1,2,2,null,3,null,3] 输出：fa…
阅读更多...
国产大模型速度测评，第一名竟然是它。。。

国产大模型速度测评，第一名竟然是它。。。

原文首发：国产大模型速度测评，第一名竟然是它。。。经过一段时间调研，我选择了一些国内比较知名的大模型进行速度测评，按照模型参数量及API调用价格，分为了三个档次，分别对应经济型、高性价比型、旗舰型。h…
阅读更多...
【Django】网上蛋糕商城后台-商品管理

【Django】网上蛋糕商城后台-商品管理

1.商品管理功能 当管理员点击商品管理时，发送服务器请求 path(admin/goods_list/, viewsAdmin.goods_list), # 处理商品列表请求 def goods_list(request):try:type request.GET["type"]except:type 0try:ym request.GET["ym"]except:ym …
阅读更多...
【视频讲解】神经网络、Lasso回归、线性回归、随机森林、ARIMA股票价格时间序列预测|附代码数据

【视频讲解】神经网络、Lasso回归、线性回归、随机森林、ARIMA股票价格时间序列预测|附代码数据

全文链接：https://tecdat.cn/?p37019 分析师：Haopeng Li 随着我国股票市场规模的不断扩大、制度的不断完善，它在金融市场中也成为了越来越不可或缺的一部分。 【视频讲解】神经网络、Lasso回归、线性回归、随机森林、ARIMA股票价格时间序列…
阅读更多...
Haproy服务

Haproy服务

目录 一.haproxy介绍 1.主要特点和功能 2.haproxy 调度算法 3.haproxy 与nginx 和lvs的区别 二.安装 haproxy 服务 1. yum安装 2.第三方rpm 安装 3.编译安装haproxy 三.配置文件详解 1.官方地址配置文件官方帮助文档 2.HAProxy 的配置文件haproxy.cfg由两大部分组成&…
阅读更多...
【MQTT（3）】开发一个客户端，QT-Android安卓手机版本

【MQTT（3）】开发一个客户端，QT-Android安卓手机版本

手机版本更加方便 生成安卓库 参考了这个代码 在编译Mosquitto以支持安卓平台时，主要涉及到使用Android NDK（Native Development Kit）进行交叉编译。环境的准备参考之前的博客【QT开发（17）】2023-QT 5.14.2实现Andr…
阅读更多...
jenkins添加ssh证书

jenkins添加ssh证书

1、生成ssh密匙：windows生成ssh密匙-CSDN博客 2、添加添加ssh凭证：jenkins路由地址为：/manage/credentials/store/system/domain/_/ 点击添加凭证 选择第二个，将生成的私匙 id_rsa 里边的内容赋值到密钥，id留空自动…
阅读更多...
使用小波分析实现文字种类自动识别

使用小波分析实现文字种类自动识别

文章目录 数据简介开始实验小波分解得出结果结果分析误差分析 数据简介 各找一篇中文，日文，韩文，英文，俄文较长的学术论文。将论文转化为JPG格式。拆分每张JPG生成更多小的JPG。最终获得很多5个不同语言的JPG并且自带标签。数据链…
阅读更多...
网安速查引擎（厂商设备大全）

网安速查引擎（厂商设备大全）

速查引擎 斯元的速查引擎以其全面、精准的信息整合和便捷的搜索功能，大大缩短了用户查找相关厂商和产品信息的时间，从而提高了工作效率和决策质量。用户可以轻松查阅到各个赛道中的领先厂商和最新技术，帮助企业快速找到适合的合作伙伴和解决方…
阅读更多...
逆向案例二十五——webpack所需模块函数很多，某翼云登录参数逆向。

逆向案例二十五——webpack所需模块函数很多，某翼云登录参数逆向。

解决步骤： 网址：aHR0cHM6Ly9tLmN0eXVuLmNuL3dhcC9tYWluL2F1dGgvbG9naW4 不说废话，密码有加密，直接搜索找到疑似加密位置打上断点。 再控制台打印，分析加密函数 有三个处理过程，b[g]得到的是用户名,b[f] 对…
阅读更多...
HiFi-GAN——基于 GAN 的声码器，能在单 GPU 上生成 22 KHz 音频

HiFi-GAN——基于 GAN 的声码器，能在单 GPU 上生成 22 KHz 音频

拟议的 HiFiGAN 可从中间表征生成原始波形 源码地址：https://github.com/NVIDIA/DeepLearningExamples 论文地址：https://arxiv.org/pdf/2010.05646.pdf 研究要点包括 **挑战：**基于 GAN 的语音波形生成方法在质量上不及自回归模型和基于流…
阅读更多...
Linux部署Prometheus+Grafana

Linux部署Prometheus+Grafana

【Linux】PrometheusGrafana 一、Prometheus（普罗米修斯）1、Prometheus简述2、Prometheus特点3、Prometheus生态组件4、Prometheus工作原理 二、部署Prometheus1、系统架构2、部署Prometheus3、修改配置文件4、配置系统启动文件 三、部署 Node Exporter …
阅读更多...
Spring MVC-什么是Spring MVC?

Spring MVC-什么是Spring MVC?

T04BF 👋专栏: 算法|JAVA|MySQL|C语言 🫵 今天你敲代码了吗 文章目录 1.MVC定义2. Spring MVC 官方对于Spring Web MVC的描述这样的: Spring Web MVC is the original web framework built on the Servlet APl and has been includedin the Spring Frame…
阅读更多...
P1-AI产品经理--九五小庞

P1-AI产品经理--九五小庞

产品经理的定位 AI基于现有业务挖掘AI应用场景，服务提供商选择及算法定制等，配合已有产品完成整体产品工工资基于从事医疗行业的考虑，我们走的应该是AI产品经理（软件型） AI产品经理（行业型） AI…
阅读更多...
JavaEE：Lombok工具包的使用以及EditStarter插件的安装

JavaEE：Lombok工具包的使用以及EditStarter插件的安装

Lombok是一个Java工具库&#xff0c;通过添加注解的方式&#xff0c;简化Java的开发。 目录 1、引入依赖 2、使用 3、原理解释 4、更多使用 5、更快捷的引入依赖 1、引入依赖 <dependency><groupId>org.projectlombok</groupId><artifactId>lomb…
阅读更多...
STM32全栈嵌入式人脸识别考勤系统：融合OpenCV、Qt和SQLite的解决方案

STM32全栈嵌入式人脸识别考勤系统：融合OpenCV、Qt和SQLite的解决方案

1. 项目概述 本项目旨在设计并实现一个基于STM32的全栈人脸识别考勤系统。该系统结合了嵌入式开发、计算机视觉和数据库技术&#xff0c;实现了自动人脸检测、识别和考勤记录功能。 主要特点: 使用STM32F4系列微控制器作为主控制器采用OpenCV进行人脸检测和识别Qt开发跨平台…
阅读更多...
高性能、安全、低碳绿色的趋势下，锐捷网络发布三擎云办公解决方案 3.0

高性能、安全、低碳绿色的趋势下，锐捷网络发布三擎云办公解决方案 3.0

桌面虚拟化作为云时代的主流和热门技术&#xff0c;已经取得了广泛应用。随着生成式 AI 爆炸式发展&#xff0c;CSDN 看到&#xff0c;人工智能正在引发计算、开发、交互三大范式的全面升级&#xff0c;技术开发或将迎来一次全新的科技变革周期&#xff0c;因此 VDI 云桌面随之…
阅读更多...
亚马逊自发货erp，虚拟自动化发货功能以及1688订单采购

亚马逊自发货erp，虚拟自动化发货功能以及1688订单采购

亚马逊自发货erp自动化功能&#xff0c;自动同步订单&#xff0c;1688订单同步。 大家好&#xff0c;今天分享一个非常实用并且节省时间的功能&#xff1a;自动化发货以及1688同步订单。 首先来看下自动化发货功能怎么操作。 →要在商品信息里面添加商品信息&#xff0c;上传…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023