Kria KV260上的動態交通燈系統

2512942 2022-10-26 | zip | 0.02 MB | 次下載 | 2積分

資料介紹

描述

介紹

交通擁堵是實現智慧城市可持續目標的主要問題。當我們想準時到達辦公室或結束一天的辛勤工作回家時，我們都會時不時地耐心地穿過路口等待紅綠燈變綠，或者對高峰時段交通緩慢的爬行感到沮喪。我們都在交通擁堵中受了很多苦。交通擁堵每年造成數十億美元的損失、數十億小時的浪費時間以及數十億升的燃料浪費，導致巨大的經濟損失、本可用于其他生產活動的時間浪費以及對環境的損失。該項目的目的是使用動態交通燈系統解決這個問題。

我們的Kria KV260基本配件包包括：

筒形千斤頂電源 (12V, 3A)
MicroSD 卡 [16GB UHS-1]
Micro-USB 轉 USB-A 數據線
AR1335 IAS 攝像頭模組
以太網電纜
用于連接顯示器的 HDMI 電纜

克里亞 KV260

構建 Petalinux

在此處按照構建 petalinux 項目的指南進行操作

1) 下載 PetaLinux Tools Installer 2021.1 PetaLinux 下載頁面

2) 2021.1 tools eSDK update 1 here

3) 從PetaLinux 下載鏈接下載 Kria K26 Starter Kit 2021.1 Update 1 BSP

petalinux

現在這個 wic 圖像的大小為 6 GB。

刷 SD 卡

現在使用Balena Etcher將圖像閃存到 SD 卡中。然后可以將 SD 卡插入 kria Board

BalenaEtcher

設置 KV260

為了在 KV260 板上運行 petalinux 版本，設備上連接了攝像頭、顯示器和串行 USB 端口。請按照此處的指南開始使用板連接進行設置

首先通過串口進行通信，我們將使用TeraTerm

1 / 3

1) 為 KV260 找到正確的端口（在我的情況下為 COM6）

2）在設置>串口下將波特率更改為115200并重啟板子

3) 使用默認的 Petalinux 登錄。對于密碼或 root 用戶，請在此處遵循用戶指南

Xmutil

Xmutil 包組 - xmutil 處理各種加速應用程序的加載。該實用程序可用于查詢平臺狀態、管理加速應用程序以及其他一些功能。

1 / 4

請注意，目標輸出可能是 dp/rtsp/file。關注此處支持的不同功能。我們將在這里使用文件輸入。

smartcam文件輸入只支持.h264/.h265，所以我們需要將.mp4文件轉換成.h264進行推理。我們將在這個過程中使用ffmpeg 。由于我已經在我的虛擬盒子中安裝了ubuntu ，我將使用它來轉換股票 mp4 素材。為了在 Ubuntu 和 Kria 之間傳輸文件，我使用的是WinSCP 。

要在 Ubuntu 中安裝 ffmpeg，請使用：

$ sudo apt update
$ sudo apt install ffmpeg

驗證 ffmpeg 安裝

$ ffmpeg -version

使用以下命令進行文件轉換

編碼的.h264 文件現在可以使用 WinSCP 從 windows 傳輸到 kria。

1 / 4

1）找到你的板IP使用

ifconfig

2）這個ip用來連接kria方便文件傳輸

3）根文件是板子的輸出文件

4）以下命令用于在板上運行推理

葡萄球菌

Vitis AI 開發環境是用于加速 AI 推理的專用開發環境。Vitis AI 開發環境支持 Tensorflow 和 Caffe 等深度學習框架，以及用于修剪、量化、優化和編譯預訓練網絡以進行 AI 推理的 API。

按照以下鏈接在此處安裝 Vitis AI v2.0

下載的 dpu 映像將命名為xilinx-kv260-dpu-v2021.2-v2.0.0.img ，大小約為 2.5 GB。

1 / 5 ?安裝 Docker

Python

該板可以使用 jupyter labs 運行 python。在 Jupyter 中運行 python 文件：

1 / 5

動態紅綠燈的基本結構可以想到——

1.獲取每條車道的實時圖像。

2. 掃描并確定交通密度。

3. 將此數據輸入到時間分配算法。

4. 輸出將是根據算法給出的每個車道的時隙。

概括

總之，與其他 FPGA 板相比，Kria KV260 的 AI 功能以及使用 FPGA 板的易用性給我留下了深刻的印象。該板幾乎不需要 FPGA 經驗，并且能夠在 VITIS 人工智能庫的幫助下運行強大的人工智能算法。需要做更多的工作來探索所有這些庫和包，并且我需要進一步的工作來完整地完成這個項目，這將在未來的項目提交中出現。從與董事會合作的那一刻起，我就完全確信，董事會將對目前在 AI 領域工作的組織非常有成效，通過在舊的 AI 算法過時時輕松實施新的 AI 算法（例如實現 YOLO 3 而不是 YOLO 等）。與 ASIC 和 GPU 相比，這將是更好的解決方案（由于功耗大）。此外，觀察到與 GPU 相比，在同時檢測到大量對象和類的復雜場景中，模型性能更好，這使其適用于高密度視覺應用。