生產(chǎn)線已步入了快節(jié)奏時代，但要提高交付速度和客戶滿意度，勢必需要在裝運前檢測制造或包裝缺陷。然而，自動化檢測設(shè)備需要在不降低生產(chǎn)線速度的情況下進(jìn)行處理和做出決策。所以，我們需要借助于Xilinx Kria K26系統(tǒng)模塊（SoM）等器件的幫助。Kria K26 SoM（見圖1）允許開發(fā)人員利用可編程邏輯與高性能Arm處理器內(nèi)核相結(jié)合的并行特性。Kria SoM的優(yōu)勢在于Xilinx首次為SoC（XCK26）提供了異構(gòu)SoC和必要的支持基礎(chǔ)設(shè)施，如4GB DDR4內(nèi)存、16GB eMMC、512Mb QSPI、TPM安全模塊以及必要的電源基礎(chǔ)設(shè)施。

為便于與應(yīng)用接口，此器件提供了可拆分成245個IO的兩個240針連接器。

Xilinx還提供了Kria KV260視覺AI入門套件，讓開發(fā)人員能夠快速開始設(shè)計。該套件為開發(fā)人員提供了擁有以下接口的SoM載卡：

3個MIPI接口

USB

HDMI

顯示端口

1GB以太網(wǎng)

Pmod

此入門套件還隨附了一系列應(yīng)用示例，幫助用戶了解開發(fā)基于視覺的人工智能應(yīng)用是一件非常輕松的工作。Kria視覺AI入門套件非常適合需要快速圖像處理的應(yīng)用，例如檢測標(biāo)簽是否已正確應(yīng)用于生產(chǎn)線上的裝運箱。

01

制造業(yè)應(yīng)用案例

接下來讓我們將詳細(xì)地介紹Kria KV260視覺入門套件如何用于制造行業(yè)。創(chuàng)建此類應(yīng)用并不一定需要可編程邏輯設(shè)計。然而，卻需要進(jìn)行軟件開發(fā)，并具有使用Xilinx Vitis AI培訓(xùn)和編譯新機(jī)器學(xué)習(xí)模型的能力。首先，我們需要安裝和配置Vitis AI。

物料清單

Kria KV260視覺AI入門套件

02

創(chuàng)建虛擬機(jī)

我們需要本地Linux機(jī)器或運行受支持的Linux發(fā)行版的虛擬機(jī)來運行Vitis AI。在安裝完成后，下載Ubuntu Linux磁盤映像，以便在虛擬機(jī)上安裝Linux系統(tǒng)。此項目所使用的Ubuntu版本是Ubuntu-18.04.4 Desktop-amd64.iso，點擊此處即可下載。現(xiàn)在可以開始構(gòu)建虛擬機(jī)了。第一步，在VirtualBox Manager中單擊New。這時將顯示一個對話框，用于創(chuàng)建新的虛擬機(jī)（見圖2）。輸入虛擬機(jī)名稱，并將類型和版本分別設(shè)置為Linux和64位Linux版本。此外，還可以設(shè)置與虛擬機(jī)共享的系統(tǒng)內(nèi)存大小（見圖3）。

單擊Create按鈕，將顯示虛擬硬盤的設(shè)置。選擇512GB，以允許動態(tài)分配物理存儲空間。隨著磁盤使用量的增加，虛擬硬盤大小將擴(kuò)展到512GB。該項目將外部固態(tài)USB C驅(qū)動器用作虛擬硬盤，以確保有足夠的可用空間。

配置好虛擬機(jī)后，接下來就要安裝操作系統(tǒng)了。選中新創(chuàng)建的虛擬機(jī)，然后單擊start按鈕啟動VM 9（）。

在啟動虛擬機(jī)時，會要求安裝之前下載的Ubuntu ISO。

在虛擬硬盤上安裝Ubuntu操作系統(tǒng)。選擇安裝Ubuntu。

在選擇好Ubuntu的位置和配置選項后，進(jìn)行鍵盤配置。

選擇最小安裝，因為我們不需要使用辦公軟件、媒體播放器或玩游戲。

在安裝期間擦除磁盤并安裝Ubuntu。

單擊continue繼續(xù)操作。

選擇您所在的地理位置與時區(qū)。

最后，輸入Ubuntu計算機(jī)名、用戶名及密碼。

安裝完成后，重啟虛擬機(jī)。

重啟后，登錄并開始安裝Vitis AI。

03

安裝Vitis和Vitis AI

對于運行Linux的虛擬機(jī)，接下來需要安裝Vitis和Vitis AI。安裝Vitis時，需要用到在下載時創(chuàng)建的Xilinx帳戶。Vitis安裝時間較長，所以我們會先安裝它。打開Xilinx下載頁面，選擇Linux Self Extracting Web Installer。

下載web安裝程序后，找到下載位置，選擇應(yīng)用程序，右鍵單擊以更改權(quán)限，使其能夠作為應(yīng)用程序執(zhí)行。

現(xiàn)在可以使用終端窗口來安裝Vitis，所需時間取決于虛擬機(jī)和internet連接性能。通過以下sudo命令來安裝此工具。

sudo 。/Xilinx_Unified_2020.2_1118_1232_Lin64.bin

圖17：運行安裝程序此時將啟動Vitis Installer（見圖18）。

登錄您的帳戶。

選擇Vitis作為目標(biāo)應(yīng)用程序，同時還會安裝Vivado。

為了節(jié)省安裝空間，應(yīng)取消選擇除SoC以外的所有設(shè)備。

接受安裝條件和條款。

選擇安裝目錄，建議使用默認(rèn)位置。

在Installation Summary中，選擇Install并等待安裝完畢。

安裝完成后，需要運行以下腳本以安裝所有相關(guān)項：

sudo 《install_dir》/Vitis/《release》/scripts/installLibs.sh

接下來，安裝Vitis AI。在本例中，我們將安裝Vitis AI以從CPU而不是GPU運行，因而會影響訓(xùn)練性能。首先要安裝docker，請按照此處的說明進(jìn)行操作。注意，可能需要在安裝完成后重啟虛擬機(jī)。

接下來，請使用以下命令安裝Git：sudo apt update sudo apt install git選擇/創(chuàng)建Vitis-AI的安裝目錄。使用以下命令克隆Vitis-AI：git clone https://github.com/Xilinx/Vitis-AI.git一旦克隆好Vitis-AI存儲庫，請將其改為存儲目錄，并提取docker映像。cd Vitis-AI docker pull xilinx/vitis-ai:latest從docker下載最新的Vitis-AI映像將需要幾分鐘的時間。在提取docker映像之后，我們需要構(gòu)建交叉編譯系統(tǒng)。可以通過運行Vitis-AI/setup/mpsoc/VART中的腳本來完成此操作（見圖25）。cd Vitis-AI/setup/mpsoc/VART 。/host_cross_compiler_setup_2020.2.sh

運行腳本后，請確保運行指定的命令以啟用交叉編譯環(huán)境。我們可以通過編譯一個演示程序來測試是否正確安裝了Vitis AI。在本例中，我們采用的是demo/VART/Resnet50目錄下提供的resnet50應(yīng)用程序。請使用以下命令編譯應(yīng)用程序：

Bash -x build.sh

如果您在終端窗口中沒有看到錯誤，并且可執(zhí)行文件出現(xiàn)在目錄中，則說明Vitis AI安裝成功（見圖26）：

現(xiàn)在，我們需要開發(fā)數(shù)據(jù)集，以顯示正確和錯誤黏貼的標(biāo)簽。

04

創(chuàng)建數(shù)據(jù)集

為了訓(xùn)練神經(jīng)網(wǎng)絡(luò)，我們首先需要一組正確和錯誤圖像的數(shù)據(jù)集。我們以幾個正確和錯誤地黏貼了貿(mào)澤標(biāo)簽的箱子為例。為了獲得多樣化的圖像，我們從多個角度拍攝了正確和錯誤黏貼標(biāo)簽的箱子（見圖27和28）。

這些圖像被整理成兩個目錄——一個是正確的標(biāo)簽，另一個是錯誤的標(biāo)簽。對于捕獲到的圖像，我們需要訓(xùn)練一個神經(jīng)網(wǎng)絡(luò)。在本例中，我們將使用Edge Impulse。請注意，您需要為Edge Impulse創(chuàng)建一個免費的帳戶。在Edge Impulse端，首先要創(chuàng)建一個新項目（見圖29）。

新項目創(chuàng)建后，可以上傳標(biāo)記為正確和錯誤的圖像文件夾。首先選擇正確目錄中的所有文件并進(jìn)行上傳，標(biāo)記為Label_Correct。隨后，上傳錯誤的圖像并將其標(biāo)記為Label_Incorrect。

所有圖像都上傳完成后，接下來就要定義Impulse。選擇寬度和高度均為224像素的輸入圖像。選擇圖像，輸入Transfer Learning，然后保存Impulse。

然后，我們可以通過生成特征和訓(xùn)練Impulse來訓(xùn)練模型。

選擇模型MobileNetV2 160x160 1.0，等效模型位于Xilinx Model Zoo下（見圖33）。

可能需要幾分鐘的時間來訓(xùn)練模型。訓(xùn)練完成后，返回概覽頁面，選擇下載遷移學(xué)習(xí)模型。這將包括保存的模型和.zip文件中的變量（檢查點）。

05

量化并編譯模型

接下來使用Vitis AI對模型進(jìn)行量化和編譯。在虛擬機(jī)中，我們可以通過發(fā)出以下命令來運行Vitis AI。

。/docker_runs.sh Xilinx/vitis-ai-cpu:latest

加載Vitis AI后，使用以下命令激活TensorFlow。

conda activate vitis-ai-tensorflow圖36：激活Vitis AI TensorFlow

接下來，凍結(jié)將檢查點的信息合并到凍結(jié)模型文件的模型。

一旦模型作為凍結(jié)模型輸出，我們就可以使用編譯器編譯輸出模型，以部署到系統(tǒng)中。

我們可以從Xilinx Model Zoo中包含的YAML文件中了解輸出節(jié)點的信息。

要檢查凍結(jié)的網(wǎng)表，則需要安裝Netron。此外，理解量化過程的輸入和輸出節(jié)點名稱也很重要。

有了量化網(wǎng)表，我們可以將量化網(wǎng)表編譯為部署在Kria SoM上的模型（見圖40）。

借助于SCP/FTP，我們可以將編譯后的模型上載到以下目錄中的Kria文件系統(tǒng)：

/usr/share/vitis_ai_library/models/

上傳好模型后，可以生成一個軟件應(yīng)用程序，用于測試神經(jīng)網(wǎng)絡(luò)。這時，我們可以將幾個正確和錯誤的圖像上載到Kria SoM，來測試應(yīng)用程序（見圖41和42）。

結(jié)語

該項目展示了對于工業(yè)AI/ML應(yīng)用，在Kria SoM中訓(xùn)練和部署神經(jīng)網(wǎng)絡(luò)是一件非常簡單的事情，其應(yīng)用潛力也是無限的。未來可能需要更新軟件以利用gstreamer框架，并像在生產(chǎn)線上一樣對實時圖像進(jìn)行分類。
責(zé)任編輯：haq