澎湃算力 玩转AI 华为昇腾AI开发板 香橙派OriengePi AiPro 边缘计算案例评测

人工智能（AI）技术正以前所未有的速度改变着我们的生活、工作乃至整个社会的面貌。作为推动这一变革的关键力量，边缘计算与AI技术的深度融合正成为行业发展的新趋势。正是基于这样的背景，香橙派与华为昇腾携手合作，共同推出了OrangePi AIpro一款专为边缘计算设计的AI开发板，它不仅承载着双方对技术创新的不懈追求，更预示着AI技术普及与应用的新篇章。

OrangePi AIpro的诞生，是香橙派在智能硬件领域深耕细作与华为昇腾在AI技术方面深厚积累的完美结合。香橙派，作为开源硬件领域的佼佼者，一直致力于为开发者提供高性能、易上手的硬件平台；而华为昇腾，作为华为在AI领域的核心品牌，其先进的AI处理器和解决方案在全球范围内享有盛誉。两者的合作，无疑为AI开发者们带来了一款集高性能、灵活性、易用性于一身的优质产品。

本次开箱测评，我有幸成为体验者之一，将探索OrangePi AIpro的每一个细节，从外观设计到内部构造，从硬件配置到软件生态，全方位、多角度地展现这款产品的魅力所在。我相信，通过我的测评，广大读者将能够更加直观地了解OrangePi AIpro的优势与特点，为他们的AI项目选择最合适的硬件平台提供有力参考。

OrangePi AIpro 开发板官方网站

http://www.orangepi.cn/html/hardWare/computerAndMicrocontrollers/details/Orange-Pi-AIpro.html

华为昇腾 AI 技术

华为昇腾 AI 技术路线以CANN作为核心架构基础，CANN（Compute Architecture for Neural Networks）是华为针对AI场景推出的异构计算架构，对上支持多种AI框架，对下服务AI处理器与编程，发挥承上启下的关键作用，是提升昇腾AI处理器计算效率的关键平台。支持的AI框架包括华为全场景AI框架昇思MindSpore,也包括常见的AI开发框架(PyTorch,TensorFlow,Paddlepaddle)等。
官方网址 https://www.hiascend.com/#/
开发文档 https://www.hiascend.com/zh/document

1.OriengePi AiPro 开发板开箱

1. 硬件资源
   
   
   

   CPU	4核64位处理器+ AI处理器（昇腾310B4）
   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	• SPI FLASH：32MB • SATA/NVME SSD（M.2接口2280） • eMMC插槽：32GB/64GB/128GB/256GB（可选），eMMC5.1 HS400 • 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
   USB	• USB 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
   40PIN	40PIN 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

2. 软件资源
   OrangePi官方提供大量的开发板的资料，主要包括官方工具，用户使用手册，以及官方镜像文件。官方提供的用户使用手册记录比较丰富，从软件安装，环境搭建，到AI案例应用测试。
   
   同时在昇腾论坛上有大量的教程,例如香橙派AIpro学习资源一站式导航香橙派AIpro学习资源可以去参考学习。
   
   
   在操作系统方面，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，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。Ubuntu、openEuler操作系统镜像下载地址如下：
   Openeuler镜像
   Ubuntu镜像

3. 开发板实物效果展示
   从申请到拿到开发板很快啊，我已经迫不及待的想玩了。打开包装后，首先映入眼帘的是精心排列的配件。除了OrangePi AIpro开发板本体之外，还配备了电源适配器和数据线、一张预装了操作系统的SD卡。这些配件的配备充分考虑了用户在实际使用中的需求，为用户提供了极大的便利。拿到的开发板实物默认跑Openeuler系统的，我立马接上HDMI,电源线,USB线，开玩。
   
   

2.OriengePi AiPro 开发板环境搭建

以Ubuntu 版本镜像进行烧录，以完成下面的评测。(主要是熟悉在Ubuntu系统进行开发，Openeuler版本不怎么熟悉，但是有时间也去体验Openeuler版本的系统进行测试学习）。开发环境搭建主要会使用到下面的东西，基本上都在官方提供的网盘里面，自行下载即可。

1. 下载官方镜像文件
   
   
   其中ubuntu22.04_minimal是纯命令行的版本，ubuntu22.04_deskto是带桌面的版本。（为了方便使用，下载的是带桌面的版本，从百度网盘里面下载之后，需要解压，系统镜像较大，需要一段时间)。

2. SD卡烧录镜像
   在烧录SD卡镜像之前，需要将镜像文件下载到SD中，因此需要下载的官方工具中的 BalenaEtcher进行处理。（这里我下载的balenaEtcher-Portable-1.18.4版本，不需要安装，点击打开就可以直接使用）
   
   但是在使用BalenaEtcher烧录镜像过程中，虽然能够烧录完成，但是会出现验证失败，导致烧录镜像，出现问题。可能的原因包括读卡器有问题，或者SD卡有问题，因此我换了卡和读卡器，打算重新下载。当然在搜索解决问题的方法过程中，有人指出BalenaEtcher软件需要以管理员身份运行，但是按照管理员身份运行还是下载失败。经过群友的指点，使用了昇腾开发者套件一键制卡工具，完成了系统镜像烧录。
   

3. 启动开发板
   开发板支持从 TF 卡、eMMC 和 SSD（支持 NVMe SSD 和 SATA SSD）启动。具体从哪个设备启动是由开发板背面的两个拨码（BOOT1 和 BOOT2）开关来控制的BOOT1 和 BOOT2 两个拨码开关都支持左右两种设置状态，所以总共有 4 种设置状态，开发板目前只使用了其中的三种。开发板BOOT1 和 BOOT2 两个拨码默认都是右边状态，不需要改动。镜像烧录完成后，我们将TF卡重新插回到香橙派AIpro开发板中，开机，启动，然后就是输入密码，默认密码为：Mind@123，进入系统。
   

   

4. 查看开发板信息
   打开香橙派 AIpro终端，输入以下代码：npu-smi info；
   

5. 连接网络
   

6. 连接串口线，登录开发板

使用串口登陆开发板，一切正常。

7. SSH远程登录
   SSH远程远程登陆需要配置一下网络。先扫描无线热点：使用命令扫描 nmcli dev wifi ,这样就可以看到我的无线热点了。
   连接无线热点：使用以下命令连接指定的热点，注意【ap-name】【ap-passwprd】要替换成你自己的无线热点名称和对应的密码。

   sudo nmcli dev wifi connect ap-name password ap-passwprd
   

显示连接无线热点成功后，可以查看OrangePi板子的IP地址。

使用SSH工具登陆即可。

8. 简单使用测试
   简单的Linux测试，Git使用，PDF阅读，播放视频没有任何问题。
   
   
   
9. 简单使用测试总结
   在简单的使用OrangePi AIpro开发板测试之后，其完全可以被视为一个小型电脑。它集成了高性能的处理器、足够的内存和存储空间（通过SD卡或外接硬盘扩展），以及丰富的输入输出接口，这使得它能够处理多种复杂的计算任务和应用场景。

3.OriengePi AiPro 开发板案例测试

1. 测试部署YOLOv5模型
   YOLOv5 是一个面向实时工业应用而开源的目标检测算法，受到了广泛关注。YOLOv5 的不同变体（如 YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x 和 YOLOv5n）表示不同大小和复杂性的模型。这些变体在速度和准确度之间提供了不同的权衡，以适应不同的计算能力和实时性需求。下面简要介绍这些变体的区别：
   
   YOLOv5s：这是 YOLOv5 系列中最小的模型。“s” 代表 “small”（小）。该模型在计算资源有限的设备上表现最佳，如移动设备或边缘设备。YOLOv5s 的检测速度最快，但准确度相对较低。
   YOLOv5m：这是 YOLOv5 系列中一个中等大小的模型。“m” 代表 “medium”（中）。YOLOv5m 在速度和准确度之间提供了较好的平衡，适用于具有一定计算能力的设备。
   YOLOv5l：这是 YOLOv5 系列中一个较大的模型。“l” 代表 “large”（大）。YOLOv5l 的准确度相对较高，但检测速度较慢。适用于需要较高准确度，且具有较强计算能力的设备。
   YOLOv5x：这是 YOLOv5 系列中最大的模型。“x” 代表 “extra large”（超大）。YOLOv5x 在准确度方面表现最好，但检测速度最慢。适用于需要极高准确度的任务，且具有强大计算能力（如 GPU）的设备。
   YOLOv5n：这是 YOLOv5 系列中的一个变体，专为 Nano 设备（如 NVIDIA Jetson Nano）进行优化。YOLOv5n 在保持较快速度的同时，提供适用于边缘设备的准确度。
   
   从Yolov5 的网络结构图，可以看出，还是分为Input、Backbone、Neck、Prediction四个部分。
   （1）Input：Mosaic数据增强、自适应锚框计算、自适应图片缩放
   （2）Backbone：Focus结构，CSP结构
   （3）Neck：FPN+PAN结构
   （4）Prediction：GIOU_Loss
   Python是运行YOLOv5的基础条件，开发板的环境中，已经默认安装了Python 3.9，因此无需安装。
   从GitHub克隆YOLOv5的官方仓库：

   git clone https://github.com/ultralytics/yolov5.git  
   cd yolov5
   

   安装YOLOv5依赖：
   在YOLOv5仓库的根目录下，使用pip安装requirements.txt中列出的依赖.(第一次按照速度可能比较慢，因此需要等待)

   pip install -r requirements.txt
   

   当然如果上面无法git clone 下来可以直接下载压缩包即可。
   
   为了测试YOLOv5模型的效果，我们将使用预训练模型识别一些图片。
   运行以下命令：

	python segment/predict.py --weights yolov5m-seg.pt --data data/images/bus.jpg
	python segment/predict.py --weights yolov5m-seg.pt --data data/images/by.jpg
	python segment/predict.py --weights yolov5m-seg.pt --data data/images/hw.jpg

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。测试效果如下：



使用yolo对视频进行实时监测,则需要添加video文件夹，添加视频文件。

使用yolo对视频进行实时监测,需要修改源码detect.py的361行。
修改代码如下

# 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)")

运行代码，测试效果如下：

python segment/predict.py --weights ~/Documents/yolov5m-seg.pt --source ~/Downloads/yolo.mp4
python segment/predict.py --weights ~/Documents/yolov5m-seg.pt --source ~/Downloads/foot.mp4

2. 测试基于Yolov5的车牌识别系统
此是一个基于深度学习的 车牌号检测和识别系统 ，旨在提供一个高效、准确的解决方案，用于识别 中国车牌号 。该项目利用先进的卷积神经网络 （CNN） 技术，实现了从图像中 自动检测 和 识别车牌号 的功能，是智能交通系统中的重要组成部分。
代码地址 https://github.com/we0091234/Chinese_license_plate_detection_recognition

4.OriengePi AiPro 使用体会

自从我开始使用Orange Pi AIpro这款基于昇腾深度研发的AI开发板以来，它给我留下了深刻而积极的印象。作为一款业界领先的AI开发工具，Orange Pi AIpro不仅在技术规格上令人瞩目，更在实际应用中展现了其强大的实力和广泛的适用性。从下面几个角度进行总结：
丰富的接口与扩展性：Orange Pi AIpro提供了多种接口和扩展选项，包括但不限于USB、HDMI、GPIO等，方便用户连接各种传感器、摄像头、显示屏等外设。这种高度的灵活性和可扩展性使得Orange Pi AIpro能够轻松适应不同的应用场景和需求。
应用领域广泛：Orange Pi AIpro的广泛适用性也是其一大亮点。从AI边缘计算到深度视觉学习，从视频图像分析到自然语言处理，再到智能小车、机械臂、无人机等AI应用场景，Orange Pi AIpro都能发挥其独特优势，为各行各业提供强大的技术支持。这种跨领域的适用性使得Orange Pi AIpro成为了我手中不可或缺的AI开发工具。
性能表现：在性能方面，Orange Pi AIpro展现出了令人满意的实力。其强大的处理能力和高效的运算速度，使得AI算法的原型验证和推理应用开发变得轻松愉快。无论是在深度视觉学习、视频流AI分析还是自然语言处理等领域，Orange Pi AIpro都能游刃有余地完成任务，为我的项目开发节省了大量时间和成本。
易用的开发环境与技术支持：为了降低开发门槛，Orange Pi AIpro提供了友好的开发环境和完善的开发工具链。这包括详细的硬件规格书、软件开发包（SDK）、示例代码、教程以及活跃的开发者社区等。这些资源有助于开发者快速上手并高效地完成项目开发。此外，Orange Pi AIpro的技术服务支持也是我非常满意的一点。官方提供了详尽的技术文档和教程，帮助用户快速上手并解决问题。同时，社区内的活跃氛围也让我感受到了来自同行的支持和帮助。在遇到难题时，我总能从社区中找到答案或得到启发。

总结

总的来说，Orange Pi AIpro是一款性能卓越、易于上手、服务完善的AI开发板。它不仅满足了我对AI算法原型验证和推理应用开发的需求，还为我打开了通往AI世界的大门。Orange Pi AIpro社区有不少的大佬，都有GPT大模型部署的案例了，有时间我也一定去玩玩本地部署大模型。我相信在未来的AI项目中，Orange Pi AIpro将继续发挥重要作用，助我实现更多创新想法和应用场景。