簡介

市面上基于嵌入式平臺的神經網絡加速平臺有很多，今天給大家帶來是百度大腦出品的EdgeBoard。按照官網文檔的介紹，EdgeBoard是基于Xilinx Zynq Ultrascale+ MPSoC列芯片打造的一款深度學習加速套件，也就是比較常見的利用FPGA進行加速的方案。

開箱

收到的EdgeBoard，是一個淡黃的紙盒子，將其打開，里面共有四樣物品，分別為

• EdgeBoard本體一塊，相比官網上的圖片，多出了散熱器、風扇以及起到保護作用的亞克力板
• 已經刷好固件的SD卡一張
• 12V2A適配器一個，接頭為2P間距為3.81的接線端子
• MicroUSB線一條

EdgeBoard板子做工不錯，按照官網資料，他分為主板和電源板兩部分，加上散熱器后組合后的長寬高為120×80×50。板子具體的硬件資源就不過多介紹了，官方目前也沒公布具體硬件框圖。

啟動系統

將配套SD卡插入電腦，可以發現他已經燒錄好了固件，應該是可以直接啟動的（官方資料內沒有找到燒錄SD卡的方式，如果這張卡丟了的話……）

1. 將SD卡插入SD卡槽，使用MicroUSB線連接電腦，設備管理器里會出現USB to UART的設備。

2. 使用任意串口終端打開串口（以Xshell為例），COM口號設置為設備管理所看到的串口號，其余設置如下

• Band Rate: 115200
• Data Bits:8
• Stop Bits:1
• Parity: None
• Flow Control: None

3. 將接線端子連接到電源插座，接通電源適配器，可以看到電源燈亮起，風扇傳來了怒吼，這個風扇實測轉速為6000轉，長時間調試時候，噪音略微明顯。上電后，可以看到串口終端內顯示出了boot數據。

1. Xilinx?Zynq?MP?First?Stage?Boot?Loader?
2. Release?2017.4?Apr?23?2019?-?13:19:54?
3. NOTICE:?ATF?running?on?XCZU9EG/silicon?v4/RTL5.1?at?0xfffea000,?with?PMU?firmware?
4. NOTICE:?BL31:?Secure?code?at?0x0?
5. NOTICE:?BL31:?Non?secure?code?at?0x8000000?
6. NOTICE:?BL31:?v1.3(release):47af34b?
7. NOTICE:?BL31:?Built?:?04:10:38,?Apr?23?2019?
8. U-Boot?2017.01?(Apr?23?2019?-?12:20:25?+0800)?Xilinx?ZynqMP?ZCU102?revB?for?OpenAi?
9. I2C:?ready?
10. DRAM:?2?GiB?
11. EL?Level:?EL2?
12. Chip?ID:?xczu9eg?
13. MMC:?sdhci@ff160000:?0?(eMMC),?sdhci@ff170000:?1?(SD)?
14. reading?uboot.env?

可以看到Xilinx特有的FSBL數據，從中可以看出這個板子的基本配置應該是ZCU102的精簡版，配備了2G的DRAM。等待幾秒鐘后，kernel啟動完畢，串口內出現登錄信息。

1. PetaLinux?2017.4?edge_board?/dev/ttyPS0?
2. edge_board?login:?

輸入用戶名root,密碼root，即可進入系統，出現了終端標識，代表啟動成功。

1. root@edge_board:~#?

總結：系統啟動還是比較容易的，不過在啟動過程中遇到一個問題，如果插著網線的話，U-Boot會選擇從網絡啟動，會導致系統啟動偏慢

配置SSH與SMB開發環境

EdgeBorad已經配置好了SSH終端以及SMB文件共享服務器，也可參照官方使用步驟：https://ai.baidu.com/docs#/EdgeBoard%20quick%20start/23cb95ae

1. 在串口終端查看板子IP

1. root@edge_board:~#?ifconfig?
2. eth0?Link?encap:Ethernet?HWaddr?00:0a:35:00:00:09?
3. inet6?addr:?fe80::20a:35ff:fe00:9/64?Scope:Link?
4. UP?BROADCAST?RUNNING?MULTICAST?MTU:1500?Metric:1?
5. RX?packets:39?errors:0?dropped:0?overruns:0?frame:0?
6. TX?packets:122?errors:0?dropped:0?overruns:0?carrier:0?
7. collisions:0?txqueuelen:1000?
8. RX?bytes:4964?(4.8?KiB)?TX?bytes:25813?(25.2?KiB)?
9. Interrupt:30?
10. eth0:avahi?Link?encap:Ethernet?HWaddr?00:0a:35:00:00:09?
11. inet?addr:169.254.1.162?Bcast:169.254.255.255?Mask:255.255.0.0?
12. UP?BROADCAST?RUNNING?MULTICAST?MTU:1500?Metric:1?
13. ?

1. Interrupt:30?
2. lo?Link?encap:Local?Loopback?
3. inet?addr:127.0.0.1?Mask:255.0.0.0?
4. inet6?addr:?::1/128?Scope:Host?
5. UP?LOOPBACK?RUNNING?MTU:65536?Metric:1?
6. RX?packets:2?errors:0?dropped:0?overruns:0?frame:0?
7. TX?packets:2?errors:0?dropped:0?overruns:0?carrier:0?
8. collisions:0?txqueuelen:1?
9. RX?bytes:140?(140.0?B)?TX?bytes:140?(140.0?B)?

2. 使用串口讀出來的IP,本例中為169.254.1.162即可連接上SSH與SMB。本地輸入：169.254.1.162 即可訪問edgeboard文件。Win7系統需要注意一些配置，具體請查看Edgeboard使用說明。

總結：環境都配置好了，上手還是很簡單，在用戶目錄下發現存在.xfce4的配置文件，莫非帶了圖形界面？手頭沒有DP線，后面會試試。

EasyDL+EdgeBoard搭建帶性別檢測的人臉識別模型

Edge的賣點之一，就是支持導入EasyDL生成的模型，EasyDL平臺是一個使用幾十、幾百張圖片就能訓練出一個效果還不錯的模型訓練平臺，官方宣稱，對于不了解深度學習用戶，可以僅僅依靠可視化操作即可完成深度學習訓練。

1. 登錄EasyDl官網創建物體檢測模型 http://ai.baidu.com/easydl/。

2. 創建訓練的數據集，本次測試在百度新聞里抓取了20張包含人臉的圖片。

3. 數據集標注，Easydl支持在線標注，只需選中圖片用鼠標在圖片上拉出一個框即可。

4. 數據集標注完成后即可訓練模型，由于要測試的模型是基于SSD的目標檢測，所以此次選中精度較低模型。（高精度是基于RetinaNet的模型），點擊開始訓練，大概需要30分鐘左右，即可訓練完成。

5. 在線校驗模型，訓練完成后點擊校驗模型，可以查看測試模型訓練效果。此次發現誤識別一個女生為男生，猜測大概是訓練集太小，不過人臉識別功能到是沒問題。

6. 模型導出：由于Easydl還沒正式發布模型導出功能，因此此次是通過聯系后臺人員導出的模型。7. 將Easydl導出的模型，通過SMB傳輸到EdgeBoard內替換原有的params、model.encrypted：

169.254.1.162 oothomeworkspacesamplesample_easydlmodel

8. 重新編譯模型，步驟如下：

1. insmod?/home/root/workspace/driver/fpgadrv.ko?
2. cd?/home/root/workspace/sample/sample_easyd?
3. //?如果沒有build目錄，創建一個?
4. mkdir?build?
5. cd?build?
6. rm?-rf?*?
7. cmake?..?
8. make?

9. 編程成功之后，運行預測程序。

1. a、在網絡上隨意下載一張人物圖，修改名字為1.jpg?并替換?
2. \169.254.1.162 oothomeworkspacesamplesample_easydlimage?內的原有圖片。?
3. b.執行./paddle_edgeboard?

10. 查看圖片輸出結果。 打開169.254.1.162 oothomeworkspacesamplesample_easydluild esult.jpg和命令行預測出的四個目標一致，這里由于沒有調整閾值所以檢測出來四個框。

總結：本次是創建了一個簡單的Easydl模型并且數據集準備的也小，所以精度不是很高，從可用性和快速部署方面Edgeboard和Easydl的結合可以幫助我們快速開發相關應用產品。

運行usb攝像頭輸入預測示例

通過官方文檔，發現板子支持USB攝像頭以及海思的IPC攝像頭接口，翻箱倒柜找到了兩個攝像頭接下來我們就試試用USB攝像頭進行實時的輸入檢測。

1. 連接設備

直接將攝像頭插入到底板的USB口上即可

2. 在開發板中，附帶了usb攝像頭的驅動與示例工程，依次執行以下命令

1. //?查看設備文件是否產生，正常是/dev/video2?
2. ls?/dev/video*?
3. insmod?/home/root/workspace/driver/fpgadrv.ko?
4. cd?/home/root/workspace/sample/sample_usb?
5. mkdir?build?
6. cd?build?
7. rm?-rf?*?
8. cmake?..?
9. make?

3. 執行預測命令

1. ./paddle_edgeboard?

輸出結果如下：可以看到實時的檢測結果，輸出格式為目標的位置，如下圖所示

總結：本次是通過命令行方式進行的USB攝像頭測試，并輸出每一幀的目標檢測結果，實時性能達到10FPS,效果還不錯。但是隨機附帶的例程并沒有實時可視化的功能，我們沒能看到實際預測的結果，比較遺憾。

運行海思ipc攝像頭輸入預測示例

1. 連接設備，將海思IPC攝像頭排線插入插槽內，上電后，攝像頭電源指示燈會一并亮起

2. 依次執行以下命令

1. insmod?/home/root/workspace/driver/fpgadrv.ko?
2. sudo?chmod?+x?/home/root/workspace/driver/media-ctl?
3. /home/root/workspace/driver/media-ctl?-v?-f?'"a0010000.v_tpg":0[fmt:SRGGB8/1920x1080?
4. field:none]'?
5. cd?/home/root/workspace/sample/sample_bt1120?
6. mkdir?build?
7. cd?build?
8. rm?-rf?*?
9. cmake?..?
10. make?

3. 執行預測命令

1. ./paddle_edgeboard?

輸出結果如下：可以看到實時的檢測結果，例程里無可視化圖片生成，下一步先測試一下攝像頭采集地效果。

4. 查看攝像頭采集圖片可視化圖

1. ls?/dev/video*?
2. /dev/video0?/dev/video1?
3. insmod?/home/root/workspace/driver/fpgadrv.ko?
4. sudo?chmod?+x?/home/root/workspace/driver/media-ctl?
5. /home/root/workspace/driver/media-ctl?-v?-f?'"a0010000.v_tpg":0[fmt:SRGGB8/1920x1080?
6. field:none]'?
7. cd?/home/root/workspace/tools/bt1120/?
8. mkdir?build?
9. cd?build?
10. cmake?..?
11. make?
12. ./bt1120?

總結：海思ipc攝像頭使用方法與USB基本一致，還是有個共同的缺點，沒有辦法進行實時的可視化效果，無法直觀觀察到模型運行的效果。

感受

經過一周的試用，對EdgeBoard也有了初步的了解，總體來說：

優點

? ?1. 自帶環境豐富，無需配置交叉編譯環境即可使用。

? ?2. 默認的smb+ssh環境基本滿足了開發需求，實現了到手即用。

? ?3. 與EasyDL結合后，進行目標分類or目標檢測的嵌入式集成基本做到了傻瓜化,模型訓練容易上手。

? ?4. 從上手來看，EdgeBoard作為一個異構的ARM+FPGA加速平臺，基本上做到了無需了解嵌入式與FPGA的程度即可使用

缺點

? ?1. 板子試用攝像頭，缺乏可視化環境，如果可以實現一個小的流媒體服務器或使用DP接口輸出，對模型效果的評估可能可以更加直觀。

? ?2. 風扇噪音較大，在室內長時間開發還是略微吵鬧，可能因為沒有開發調速策略導致。

? ?3.部分win7系統修改系統策略后，仍然無法正常使用SMB連接目標板，希望后續版本可以移植SFTP后續會嘗試一下一些已有模型，深度挖掘一下這塊板子的功能