部署在 FPGA 上加速的 AI 火災偵查。助力消防人員快速應對火災事故~

緒論

問題：近年來，不斷增加的城市人口、更復雜的人口密集建筑以及與大流行病相關的問題增加了火災偵查的難度。因此，為了增強消防人員對火災事件的快速反應，安裝視頻分析系統，可以及早發現火災爆發。

目標：解決方案包括建立一個分布式計算機視覺系統，增加建筑物火災的早期檢測。該系統的分布式和模塊化特性可以輕松部署，而無需增加更多基礎設施。在不增加人力規模的情況下，可以明顯增強消防能力。系統通過使用 Xilinx FPGA實現邊緣 AI 加速圖像處理功能來實現。

開發流程介紹

使用的硬件是 Xilinx Kria KV260，用于加速計算機視覺處理和以太網連接的相機套件。嵌入式軟件使用 Vitis AI。在 PC 上，使用現有的火災探測數據集對自定義 Yolo-V4 模型進行訓練。之后，對Xilinx YoloV4 模型進行量化、裁剪和編譯 DPU ，最后部署在FPGA上。

系統框圖

PC：設置 SD 卡鏡像

首先我們需要為 FPGA Vision AI Starter Kit 準備 SD 卡（至少 32GB）。

這次將使用 Ubuntu 20.04.3 LTS 作為系統。可以從下面網站下載鏡像。

?

https://ubuntu.com/download/xilinx

?

在 PC 上，下載 Balena Etcher 將其寫入 SD 卡。

?

https://www.balena.io/etcher/

?

或者，可以使用下面命令行（警告：請確保系統下/dev/sdb必須是 SD 卡）進行操作：

xzcat~/Downloads/iot-kria-classic-desktop-2004-x03-20211110-98.img.xz|sudoddof=/dev/sdbbs=32M

完成后， SD 卡就準備好了，將其插入 開發板上。

設置 Xilinx Ubuntu

將 USB 鍵盤、USB 鼠標、USB 攝像頭、HDMI/DisplayPort 和以太網連接到開發板。

連接電源，將看到 Ubuntu 登錄屏幕。

默認用戶名：ubuntu密碼：ubuntu

啟動時，系統ui可能會非常慢，可以運行下面這些命令來禁用一些組件以加快速度。

gsettingssetorg.gnome.desktop.interfaceenable-animationsfalse
gsettingssetorg.gnome.shell.extensions.dash-to-dockanimate-show-appsfalse

接下來，調用下面命令將系統更新到最新版本

sudoaptupgrade

早期版本的 Vitis-AI 不支持 Python，詳見：

?

https://support.xilinx.com/s/question/0D52E00006o96PISAY/how-to-install-vart-for-vitis-ai-python-scripts?language=en_US

?

安裝用于系統管理的 xlnx-config snap 并對其進行配置（https://xilinx-wiki.atlassian.net/wiki/spaces/A/pages/2037317633/Getting+Started+with+Certified+Ubuntu+20.04+LTS+for+Xilinx+Devices）：

sudosnapinstallxlnx-config--classic
xlnx-config.sysinit

接下來檢查設備配置是否工作正常。

sudoxlnx-config--xmutilboardid-bsom

安裝帶有示例的 Smart Vision 應用程序和 Vitis AI 庫。（智能視覺應用程序包含我們將重復使用的 DPU 的比特流，庫樣本稍后也將用于測試我們訓練的模型）

sudoxlnx-config--snap--installxlnx-nlp-smartvision
sudosnapinstallxlnx-vai-lib-samples

檢查已安裝的示例和應用程序

xlnx-vai-lib-samples.info
sudoxlnx-config--xmutillistapps

運行上述命令后，就會注意到 DPU 需要 Model Zoo 樣本。

接下倆運行其中一個示例。在運行示例之前，需要將 USB 攝像頭連接到開發板并確保系統驅動能檢測到視頻設備。這次使用的是 Logitech C170，它被掛載到/dev/video1

v4l2-ctl--list-devices

加載并啟動智能視覺應用程序。

sudoxlnx-config--xmutilloadappnlp-smartvision
xlnx-nlp-smartvision.nlp-smartvision-u

在運行任何加速器應用程序之前，我們需要先加載 DPU。我們可以簡單地調用 smartvision 應用程序，它會為我們加載比特流。或者，可以打包自己的應用程序（https://www.hackster.io/AlbertaBeef/creating-a-custom-kria-app-091625）。

注意：加速器比特流位于/lib/firmware/xilinx/nlp-smartvision/.

由于我們計劃是使用YOLOv4框架，所以讓我們測試一個模型的例子。有“ yolov4_leaky_spp_m”預訓練模型。

sudoxlnx-config--xmutilloadappnlp-smartvision

#thenumber1isbecausemywebcamisonvideo1
xlnx-vai-lib-samples.test-videoyolov4yolov4_leaky_spp_m1

上面的命令將在第一次運行時下載模型。模型將被安裝到 ~/snap/xlnx-vai-lib-samples/current/models 目錄中。

上面測試良好，接下來就可以訓練我們自己的模型。

PC：運行 YOLOv4 模型訓練

要訓練模型，請遵循Xilinx 提供的07-yolov4-tutorial文檔。它是為 Vitis v1.3 編寫的，但步驟與當前的 Vitis v2.0 完全相同。

?

https://xilinx.github.io/Vitis-Tutorials/2020-2/docs/Machine_Learning/Design_Tutorials/07-yolov4-tutorial/README.html

?

我們的應用程序用于檢測火災事件，因此請在下面鏈接中下載火災圖像開源數據集：

?

https://github.com/gengyanlei/fire-smoke-detect-yolov4/blob/master/readmes/README_EN.md

?

fire-smoke (2059's images, include labels)-GoogleDrive

?

https://drive.google.com/file/d/1ydVpGphAJzVPCkUTcJxJhsnp_baGrZa7/view?usp=sharing

?

請參考.cfg此處的火災數據集文件。

?

https://raw.githubusercontent.com/gengyanlei/fire-smoke-detect-yolov4/master/yolov4/cfg/yolov4-fire.cfg

?

我們必須修改此.cfg配置文件以與 Xilinx Zynq Ultrascale+ DPU 兼容：

Xilinx 建議文件輸入大小為 512x512（或 416x416 以加快推理速度）

DPU 不支持 MISH 激活層，因此將它們全部替換為 Leaky 激活層

DPU 僅支持最大 SPP maxpool 內核大小為 8。默認設置為 5、9、13。但決定將其更改為 5、6、8。

在 Google Colab 上對其進行了訓練。遵循了 YOLOv4 的標準訓練過程，沒有做太多修改。

在 github 頁面中找到帶有分步說明的 Jupyter notebook。

?

https://github.com/zst123/xilinx_kria_firai

?

下圖是損失的進展圖。運行了大約 1000 次迭代我覺得這個原型的準確性已經足夠好了，但如果可以的話，建議進行幾千次迭代訓練。

下載最佳權重文件 ( yolov4-fire-xilinx_1000.weights)。在本地運行了 yolov4 推理，一張圖像大約需要 20 秒！稍后我們將看到使用 FPGA 可以將其加速到接近實時的速度。

./darknetdetectortest../cfg/fire.data../yolov4-fire.cfg
../yolov4-fire_1000.weightsimage.jpg-thresh0.1

現在有了經過訓練的模型，接下來就是將其轉換和部署在 FPGA 上。

PC：轉換TF模型

下一步是將darknet model轉換為frozen tensorflow流圖。keras-YOLOv3-model-set 存儲庫為此提供了一些有用的腳本。我們將運行 Vitis AI 存儲庫中的一些腳本。

首先安裝docker，使用這個命令：

sudoaptinstalldocker.io
sudoservicedockerstart
sudochmod666/var/run/docker.sock#Updateyourgroupmembership

拉取 docker 鏡像。使用以下命令下載最新的 Vitis AI Docker。請注意，此容器是 CPU 版本。（確保運行Docker的磁盤分區至少有100GB的磁盤空間）

$dockerpullxilinx/vitis-ai-cpu:latest

clone Vitis-AI 文件夾

gitclone--recurse-submoduleshttps://github.com/Xilinx/Vitis-AI
cdVitis-AI

啟動 Docker

bash-x./docker_run.shxilinx/vitis-ai-cpu:latest

進入 docker shell 后，clone教程文件。

>gitclonehttps://github.com/Xilinx/Vitis-AI-Tutorials.git
>cd./Vitis-AI-Tutorials/
>gitreset--harde53cd4e6565cb56fdce2f88ed38942a569849fbd#Tutorialv1.3

現在我們可以從這些目錄訪問 YOLOv4 教程：

從主機目錄：~/Documents/Vitis-AI/Vitis-AI-Tutorials/Design_Tutorials/07-yolov4-tutorial

從 docker 中：/workspace/Vitis-AI-Tutorials/07-yolov4-tutorial

進入教程文件夾，創建一個名為“ my_models ”的新文件夾并復制這些文件：

訓練好的模型權重：yolov4-fire-xilinx_last.weights
訓練配置文件：yolov4-fire-xilinx.cfg

在 scripts 文件夾下，找到convert_yolov4腳本。編輯文件指向我們自己的模型（cfg 和權重文件）：

../my_models/yolov4-fire-xilinx.cfg
../my_models/yolov4-fire-xilinx_last.weights

現在回到終端并輸入 docker。激活tensorflow環境。我們將開始轉換yolo模型的過程

>condaactivatevitis-ai-tensorflow
>cd/workspace/Vitis-AI-Tutorials/Design_Tutorials/07-yolov4-tutorial/scripts/
>bashconvert_yolov4.sh

轉換后，現在可以在“keras_model”文件夾中看到 Keras 模型（.h5）。以及“tf_model”文件夾下的frozen model（.pb）。

PC：量化模型

我們需要將部分訓練圖像復制到文件夾“ yolov4_images ”。這些圖像將用于量化期間的校準。

創建一個名為“ my_calibration_images ”的文件夾，并將訓練圖像的一些隨機文件粘貼到那里。然后我們可以列出所有圖像的名稱到 txt 文件中。

>ls./my_calibration_images/>tf_calib.txt

然后編輯yolov4_graph_input_keras_fn.py ，指向這些文件位置。

運行./quantize_yolov4.sh。將在yolov4_quantized目錄中生成一個量化圖。

接下來在“yolov4_quantized”文件夾中看到量化的frozen model。

PC：編譯 xmodel 和 prototxt

創建用于編譯 xmodel 的arch.json ，并將其保存到同一個“ my_models ”文件夾中。

請注意使用我們之前在 FPGA 上看到的相同 DPU。在這種情況下，以下是 FPGA 配置 (Vitis AI 1.3/1.4/2.0)

{
"fingerprint":"0x1000020F6014406"
}

修改compile_yolov4.sh指向我們自己的文件

NET_NAME=dpu_yolov4
ARCH=/workspace/Vitis-AI-Tutorials/Design_Tutorials/07-yolov4-tutorial/my_models/arch.json
vai_c_tensorflow--frozen_pb../yolov4_quantized/quantize_eval_model.pb
--arch${ARCH}
--output_dir../yolov4_compiled/
--net_name${NET_NAME}
--options"{'mode':'normal','save_kernel':'','input_shape':'1,512,512,3'}"

運行編譯

>bash-xcompile_yolov4.sh

在“yolov4_compiled”文件夾中，將看到 meta.json 和 dpu_yolov4.xmodel。這兩個文件構成了可部署模型。將這些文件復制到 FPGA。

請注意，如果使用官方較舊的指南，能會看到正在使用 *.elf 文件。新指南替換為 *.xmodel 文件

從 Vitis-AI v1.3 開始，該工具不再生成 *.elf 文件，而是 *.xmodel 并且將用于在邊緣設備上部署模型。

對于某些應用程序，需要*.prototxt文件和*.xmodel文件。要創建prototxt，我們可以復制示例并進行修改。

?

https://github.com/Xilinx/Vitis-AI-Tutorials/blob/1.3/Design_Tutorials/07-yolov4-tutorial/dpu_yolov4/dpu_yolov4.prototxt

?

根據你的YOLO配置需要遵循的事項：

“biases”：必須與yolo.cfg文件中的“anchors”相同
“num_classes”：必須與 yolo.cfg 文件中的“classes”相同
“layer_name”：必須與 xmodel 文件中的輸出相同

對于 layer_name，可以轉到 Netron ( https://netron.app/ ) 并打開 .xmodel 文件。由于 YOLO 模型有 3 個輸出，還會看到 3 個結束節點。

對于這些節點中的每一個 (fix2float)，都可以從名稱中找到編號。

如果在運行模型時可能遇到分段錯誤，很可能是由于.prototxt文件配置錯誤。如果是這樣，請重新運行這一章節的操作并驗證是否正確。

FPGA：在 FPGA Ubuntu 上測試部署

創建一個名為“dpu_yolov4”的文件夾并復制所有模型文件。該應用程序需要這 3 個文件：

meta.json

dpu_yolov4.xmodel

dpu_yolov4.prototxt

我們可以通過直接從 snap bin 文件夾調用test_video_yolov4可執行文件來測試模型。

>sudoxlnx-config--xmutilloadappnlp-smartvision#LoadtheDPUbitstream

>cd~/Documents/
>/snap/xlnx-vai-lib-samples/current/bin/test_video_yolov4dpu_yolov40

就會看到它檢測到所有的火。在這種情況下，有多個重疊的框。我們在創建 python 應用程序時會考慮到這一點。

FPGA：Python 應用程序實現

在 Github 頁面中，將找到完整應用程序實現。它考慮了重疊框并執行非最大抑制 (NMS) 邊界框算法。它還打印邊界框的置信度。此外，每個坐標記錄在幀中。在現實系統中，這些信息將被發送到服務器并提醒負責人員。