描述

介紹

問題：消防隊面臨著人手不足、隊伍有效戰斗力下降等諸多挑戰。最近，挑戰包括城市人口增加、更復雜的人口稠密建筑物和與大流行相關的措施。因此，為了增強消防人員對火災事件的快速響應，建議安裝一個視頻分析系統，以便及早發現火災爆發。

目標：我的解決方案包括建立一個分布式計算機視覺系統，以提供對建筑物火災的早期檢測。系統的分布式和模塊化特性允許輕松部署，而無需設置更多基礎設施。在不增加人力規模的情況下，有助于增強船員的消防能力。這可以通過使用 Xilinx Kria KV260 實現邊緣 AI 加速圖像處理功能來實現。部署時，國務院當局可以利用社區現有的監控攝像頭獲取視頻。這種模塊化方法是提供快速部署的關鍵技術，因為攝像機已經安裝到位。

開發流程總結

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。嵌入式軟件應使用 Vitis AI。在我的 PC 上，將使用現有的火災探測數據集訓練自定義 Yolo-V4 模型。之后，使用 Xilinx YoloV4 流程對 DPU 實例的模型進行量化、修剪和編譯。最后，它部署在 Kria KV260 上。

PC：設置 SD 卡映像

首先，我們需要為 Kria KV260 Vision AI Starter Kit 準備 SD 卡。

包裝盒中提供了 16GB 的 SD 卡，但我建議至少使用 32GB，因為設置可能會超過 16GB 的空間。

我們將使用 Ubuntu 20.04.3 LTS 下載。從網站下載圖像并將其保存在您的計算機上。

在您的 PC 上，下載 Balena Etcher 以將其寫入您的 SD 卡。

或者，您可以使用命令行（警告：確保寫入正確的驅動器，/dev/sdb必須是您的 SD 卡）

• xzcat ~/Downloads/iot-kria-classic-desktop-2004-x03-20211110-98.img.xz | sudo dd of=/dev/sdb bs=32M

完成后，您的 SD 卡已準備就緒，您可以將其插入 Kria。

Kria：設置賽靈思 Ubuntu

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

連接電源以打開 Kria，您將看到 Ubuntu 登錄屏幕。

默認登錄憑據是：用戶名：ubuntu密碼：ubuntu

啟動時，界面可能非常慢，所以我運行了這些命令來禁用動畫調整以加快速度。

gsettings set org.gnome.desktop.interface enable-animations false
gsettings set org.gnome.shell.extensions.dash-to-dock animate-show-apps false

接下來，通過執行系統更新并調用此命令將系統更新到最新版本

sudo apt upgrade

請注意，有必要進行更新，因為早期版本的 Vitis-AI 不支持 Python，如本論壇帖子中所述。

安裝用于系統管理的 xlnx-config snap 并進行配置（更多信息見 Xilinx wiki ）：

sudo snap install xlnx-config --classic
xlnx-config.sysinit

現在檢查設備配置是否正常工作。

sudo xlnx-config --xmutil boardid -b som

使用示例安裝 Smart Vision 應用程序和 Vitis AI 庫。（智能視覺應用程序包含我們將重用的 DPU 的比特流，庫樣本也將用于稍后測試我們訓練的模型）

sudo xlnx-config --snap --install xlnx-nlp-smartvision
sudo snap install xlnx-vai-lib-samples

檢查已安裝的示例和應用程序

xlnx-vai-lib-samples.info
sudo xlnx-config --xmutil listapps

運行上述命令后，您還會注意到 Model Zoo 樣本所需的 DPU 指紋。

讓我們運行其中一個示例。在我們這樣做之前，請連接您的 USB 攝像頭并確保檢測到視頻設備。我正在使用 Logitech C170，它在/dev/video1

v4l2-ctl --list-devices

加載智能視覺應用程序并啟動它。您可以四處玩耍并了解 Kria 的功能。

sudo xlnx-config --xmutil loadapp nlp-smartvision
xlnx-nlp-smartvision.nlp-smartvision -u

在運行任何加速器應用程序之前，我們總是需要從比特流中加載 DPU。下一次，我們可以簡單地調用 smartvision 應用程序，它將為我們加載比特流。或者，您可以創建自己的打包應用程序。

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

由于我的計劃是使用 YOLOv4 框架，我們來測試一個來自模型動物園的示例。有“ yolov4_leaky_spp_m”預訓練模型。

sudo xlnx-config --xmutil loadapp nlp-smartvision

# the number 1 is because my webcam is on video1
xlnx-vai-lib-samples.test-video yolov4 yolov4_leaky_spp_m 1

上述命令將在您第一次運行時下載模型。模型安裝到 ~/snap/xlnx-vai-lib-samples/current/models目錄

有了這個，Kria 運行良好，讓我們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，但當前 Vitis v2.0 的步驟也完全相同。

該應用程序用于檢測火災事件，因此在此處下載火災圖像開源數據集：

fire-smoke（2059 年的圖像，包括標簽）-GoogleDrive

對于培訓，請參考.cfg此處的火災數據集文件。

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

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

[#2] DPU 不支持 MISH 激活層，因此將它們全部替換為 Leaky 激活層

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

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

在我的 github 頁面中找到包含分步說明的 Jupyter 筆記本。

• https://github.com/zst123/xilinx_kria_firai

這是損失的進展圖。我運行了大約 1000 次迭代，因為我沒有太多的帶寬資源可以繼續。我覺得這個原型的準確性已經足夠好了，但如果可以的話，我建議訓練到幾千次迭代。

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

./darknet detector test ../cfg/fire.data ../yolov4-fire.cfg ../yolov4-fire_1000.weights image.jpg -thresh 0.1

我們現在擁有經過訓練的模型，并準備將其轉換為部署在 Kria 上。

PC：轉換TF模型

下一步是將暗網模型轉換為凍結的張量流圖。keras-YOLOv3-model-set 存儲庫為此提供了一些有用的腳本。我們將在 Vitis AI 存儲庫中運行一些腳本。

首先安裝docker，使用這個命令：

sudo apt install docker.io
sudo service docker start
sudo chmod 666 /var/run/docker.sock # Update your group membership

拉取泊塢窗圖像。這將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）

$ docker pull xilinx/vitis-ai-cpu:latest

克隆 Vitis-AI 文件夾

git clone --recurse-submodules https://github.com/Xilinx/Vitis-AI
cd Vitis-AI

啟動 Docker 實例

bash -x ./docker_run.sh xilinx/vitis-ai-cpu:latest

進入 docker shell 后，克隆教程文件。在撰寫本文時，Vitis v1.4/v2.0 的教程文件已被刪除，我認為它正在升級過程中。無論如何，該教程在較新的版本中都可以正常工作，因此請恢復到最新的 v1.3 提交。

> git clone https://github.com/Xilinx/Vitis-AI-Tutorials.git
> cd ./Vitis-AI-Tutorials/
> git reset --hard e53cd4e6565cb56fdce2f88ed38942a569849fbd # Tutorial v1.3

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 實例中：/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：

• 訓練后的模型權重：yolov4-fire-xilinx_last.weights
• 訓練配置文件：yolov4-fire-xilinx.cfg

在 scripts 文件夾下，您將找到convert_yolov4腳本。編輯文件以指向我們自己的模型（cfg 和 weights 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 實例。激活 tensorflow 環境。我們將開始轉換 yolo 模型的過程

> conda activate vitis-ai-tensorflow
> cd /workspace/Vitis-AI-Tutorials/Design_Tutorials/07-yolov4-tutorial/scripts/
> bash convert_yolov4.sh

轉換后，您現在可以在“keras_model”文件夾中看到 Keras 模型 (.h5)。以及“tf_model”文件夾下的凍結模型（.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，并在其中粘貼一些訓練圖像的隨機文件。然后我們可以將所有圖像的名稱列出到 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。這將在yolov4_quantized目錄中生成一個量化圖。

現在您將在“yolov4_quantized”文件夾中看到量化的凍結模型。

PC：編譯xmodel和prototxt

創建用于編譯 xmodel 的 arch.json，并將其保存到相同的“ my_models ”文件夾中。

請注意使用我們之前在 Kria 上看到的相同 DPU 指紋。在這種情況下，以下內容適用于 Kria B3136 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 -x  compile_yolov4.sh

在“yolov4_compiled”文件夾中，您將看到 meta.json 和 dpu_yolov4.xmodel。這構成了可部署模型。您可以將這些文件復制到 Kria，因為我們接下來將使用它。

請注意，如果您遵循舊指南，您可能會看到正在使用的 *.elf 文件。這被 *.xmodel 文件替換

從 Vitis-AI v1.3 開始，該工具不再生成 *.elf 文件。而不是 *.xmodel 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，首先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

請注意根據您的 YOLO 配置要遵循的事項：

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

對于每個節點 (fix2float)，您可以從名稱中找到編號。

如果您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，請返回此處并驗證一切是否正確。

Kria：在 Kria Ubuntu 上測試部署

這些是您應該復制到 Kria 的必要文件。

創建一個名為“dpu_yolov4”的文件夾并復制所有模型文件。我選擇在我的 Documents 文件夾中創建它。該應用程序需要以下 3 個文件：

• 元.json
• dpu_yolov4.xmodel
• dpu_yolov4.prototxt

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

> sudo xlnx-config --xmutil loadapp nlp-smartvision # Load the DPU bitstream

> cd ~/Documents/
> /snap/xlnx-vai-lib-samples/current/bin/test_video_yolov4 dpu_yolov4 0

你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。

Kria：Python 應用程序實現

在我的 Github 頁面中，您將找到我的完整應用程序實現。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，坐標記錄在框架中。在現實生活中的系統中，這些信息將被發送到轉發器并提醒負責人員。

視頻

結論

使用賽靈思工具進行加速，我們可以看到推理如何從我的 PC CPU 上的 20 秒 1 幀提高到賽靈思 DPU 加速器上的至少 5 幀/秒。這相當于將推理速度提高了 100 倍！由于 Kria 還是一款小巧輕便的設備，它具有高性能、易于部署和低功耗的特點。

?