對于本教程，我們將假設我們已經有一個預訓練的 PyTorch 模型，其權重保存到 .pt /.pth 文件中。

注意：我們將使用運行舊版本 PyTorch 的 Vitis-AI 1.4。您需要確保您的模型與 torch==1.4.0 兼容，如果您使用更新版本的 PyTorch 訓練模型，這可能需要使用 _use_new_zipfile_serialization=False保存您的.pt文件

如果您想從頭開始構建和訓練模型，這里有大量教程，以及免費的計算資源，例如 Google Colab，允許免費（有限）使用 GPU 進行訓練和實驗。

注意：本教程側重于將 PyTorch 模型轉換為 xmodel，但我們在此處安裝的 docker 工具也具有將 TensorFlow 和 Caffe 模型轉換為 xmodel 的功能。請參閱賽靈思文檔。一旦模型被量化并編譯為 KV260 的 xmodel，本教程后面的部分就可以按原樣使用，不管我們的浮點模型最初是用什么格式構建的。

我將使用一個自定義模型，該模型是我在電視前的數據集上訓練的，執行我想使用的不同手勢。

該模型能夠預測六種不同的手勢：上、下、左、右、手掌和拳頭。我們將使用這些手勢在我的電視上導航菜單。

該模型處理形狀為 [1, 63] 的輸入向量，該向量對應于 21 個手部關鍵點的 x、y、z 坐標的扁平數組，我們在預處理步驟中使用MediaPipe提取該數組（稍后會詳細介紹）。模型輸出一個 [1, 6] 向量，我們可以取它的 softmax 來確定每個類的概率，取最大條目作為我們的預測輸出。

GitHub 頁面上提供了預訓練模型（.pt和 KV260 編譯版本）供您試用。請記住，您的里程可能會因其有效性而有所不同，因為它專門針對我的硬件設置和環境進行了培訓。

1. 安裝Xilinx Vitis-AI 工具

對于這一步，我們將從賽靈思下載一個 docker 鏡像，并在其中運行幾個命令。您需要一臺裝有 Linux 或能夠運行 Linux VM 的計算機。在此示例中，我將使用帶有 WSL2 Ubuntu 20.04 的 Windows 10。

1.安裝Docker

• 在 Windows 上，確保接受 Docker 使用 WSL2 運行的權限

2. 打開 Linux 終端并克隆https://github.com/Xilinx/Vitis-AI存儲庫。

3. 拉取正確版本的 Vitis-AI docker 鏡像。對于這個項目，我們需要 Vitis-AI 1.4。請注意，Docker 映像有GPU 版本和CPU 版本。如果您的系統中沒有 cuda GPU，則必須使用 CPU 版本。

# pick the correct version
docker pull xilinx/vitis-ai-cpu:1.4.1.978 # CPU version
docker pull xilinx/vitis-ai:1.4.1.978 # GPU version

4. 導航到我們之前克隆的 repo，并docker_run.sh使用您要運行的 docker 的標簽調用腳本。前任：

peter@PeterDesktop:/mnt/d/Vitis-AI$ ./docker_run.sh xilinx/vitis-ai-cpu:1.4.1.978

• 注意：如果 bash 腳本出錯，您可能需要更改行尾docker_run.sh以兼容 Unix（在 notepad++ 中打開并將左下角的選項更改為 LF 并保存）

有關更多詳細信息，請參閱Xilinx 安裝文檔。

接受提示，你應該會看到一個漂亮的小 Vitis-AI 文字藝術。

==========================================

__      ___ _   _                   _____
\ \    / (_) | (_)            /\   |_   _|
 \ \  / / _| |_ _ ___ ______ /  \    | |
  \ \/ / | | __| / __|______/ /\ \   | |
   \  /  | | |_| \__ \     / ____ \ _| |_
    \/   |_|\__|_|___/    /_/    \_\_____|

==========================================

Docker Image Version:  1.4.1.978
Vitis AI Git Hash:  9f3d6db
Build Date: 2021-10-08

2.量化模型

KV260 旨在內部使用整數來完成所有神經網絡計算。這與 GPU 的工作方式不同，后者使用浮點值。要將我們的模型和權重轉換為在 FPGA 上工作，我們需要執行一個稱為量化的步驟。

我們將使用量化模型的工具組織在 conda 虛擬環境中。要激活它，我們運行：

conda activate vitis-ai-pytorch

請注意，此 conda env 運行 PyTorch==1.4.0。可能不支持來自更新版本的 PyTorch 的 Pytorch 模型中的某些操作。

量化將由使用賽靈思 pytorch_nndct.apisPython 庫的 Python 腳本完成。我使用的腳本來自鏈接的model_data/quantize.pyGitHub Repo。它應該很容易適應model_data/quantize.py您自己的模型和數據集。

要運行這個腳本，我們需要三件事：

• 預訓練網絡的權重（a.pt 文件）
• 模型的 float / PyTorch 定義（繼承自 torch.nn.Module 的類）
• 一個小的測試數據集（200-1000張圖像，用于檢查量化模型的準確性。量化過程可能會顯著降低模型的性能對于某些模型。這實際上是可選的。如果我們想跳過這一步，我們可以在導出之前使用隨機輸入轉發一次量化模型。

要訪問這些文件，我們需要將它們（quantize.py文件、模型權重、模型定義和測試集）放在 docker 可見的目錄中。在這種情況下，我們將使用Vitis-AI/data我們之前克隆的 repo 中的目錄，該目錄通過我們用來啟動它的 bash 腳本設置為對 docker 可見。

然后從運行 docker 的終端，我們可以調用 python 腳本：

(vitis-ai-pytorch) Vitis-AI /workspace/data > python quantize.py

運行此腳本后，我們應該會在data 名為 的目錄中看到一個新文件夾quantize_result，其中包含一個_int.xmodel文件。如果是這種情況，我們準備進入下一步。如果發生問題，請參閱故障排除部分。

補充閱讀：Xilinx PyTorch 量化文檔

3.編譯模型

現在我們的模型已經量化為 Xilinx 中間表示 (XIR).xmodel 文件，我們需要針對我們要使用的特定硬件對其進行編譯：KV260。

從 docker conda env 內部，我們將運行vai_c_xir編譯器工具，它需要以下結構：

vai_c_xir -x /PATH/TO/quantized.xmodel -a /PATH/TO/arch.json -o /OUTPUTPATH -n NETNAME

• -x ：量化模型的路徑，如果您按照前面的說明進行操作，則應該是該路徑。data/quantize_result/_int.xmodel
• -a：目標架構 json。對于 KV260，這將是：/opt/vitis_ai/compiler/arch/DPUCZDX8G/KV260/arch.json
• -o：要輸出模型的目錄。建議：.
• -n：您希望編譯模型具有的文件名。前任：mymodel_kv260

警告：注意它所說的輸出行DPU subgraph number X。這一定是1。否則，我們在KV260上嘗試運行編譯好的模型時，就會出現問題。如果這不是 1，請參閱故障排除部分。

如果運行成功，您應該會看到名為 mymodel_kv260.xmodel

這是編譯好的模型。將其復制到 KV260 的可訪問位置。我們將在以下部分中使用 Python 腳本加載和運行它。

故障排除

如果您嘗試量化、編譯和運行自己的模型，那么這個量化/編譯部分可能是您遇到最多問題的地方。查看GitHub 存儲庫中的故障排除指南以獲得一些幫助。

使用 Ubuntu、PYNQ 和 Mediapipe 設置 KV260

對于這一步，我們將按照PYNQ Kria GitHub repo上提供的說明開始。簡而言之，步驟是：

1. 用 Ubuntu 鏡像刷寫 microSD 卡。

2. SSH進入KV260

3. 克隆 PYNQ Kria 存儲庫。

4. 運行提供的安裝腳本。

PYNQ 安裝將創建一個名為 pynq-venv 的虛擬環境，其中包含所有 Vitis-AI 1.4 工具（VART、XIR、DPU Overlay），用于通過方便的 Python API 運行已編譯的 xmodel。

最后，我們還要做一件事：將 Mediapipe 安裝到 pynq-venv。

Mediapipe 沒有安裝 aarch64 pip，因此我們必須自己在 KV260 上編譯輪子（說明），或者您可以使用我在該項目的 GitHub 存儲庫中提供的輪子。

要安裝 wheel 文件，首先我們必須以 root 身份激活 pynq-venv，然后運行 ??pip install：

sudo -i 
source /etc/profile.d/pynq_venv.sh
pip install path/to/mediapose/wheel

使用 PYNQ DPU Overlay 運行我們編譯的模型

為了運行我們編譯的模型，并處理輸出以控制我的 FireTV 棒，我編寫了一個名為app_kv260.py.

我們將在上一節中準備好的文件中運行這個腳本。pynq-venv要激活 venv 并運行 python 腳本，我們將使用以下命令。

sudo -i 
source /etc/profile.d/pynq_venv.sh 
xauth merge /home/ubuntu/.Xauthority # optional enable X11 forwarding (ignore warning)
python 

我還包括了一個啟用 X11 轉發的行，這將允許我們在我們用來通過 SSH 連接到 Kria 的計算機上看到來自 OpenCV 的顯示。

這些是使用我們的模型設置 DPU 和運行推理的關鍵線。

# Set up DPU
overlay = DpuOverlay("dpu.bit")  
  
# Path to your compiled x model
path = '/home/ubuntu/my_model.xmodel'  
# gives an assertion error if DPU subgraph number > 1
overlay.load_model(path) 

dpu = overlay.runner  

# Set up space in memory for input and output of DPU
inputTensors = dpu.get_input_tensors()  
outputTensors = dpu.get_output_tensors()    

shapeIn = tuple(inputTensors[0].dims)  
shapeOut = tuple(outputTensors[0].dims)  

input_data = [np.empty(shapeIn, dtype=np.float32, order="C")]
output_data = [np.empty(shapeOut, dtype=np.float32, order="C")]  

# Load in input data, and run inference
x = get_input_data() # generic function to get input data

input_data[0] = x
job_id = dpu.execute_async(input_data, output_data)
dpu.wait(job_id)
y = output_data[0]

process_output(y) # generic output function to process output

這是可視化器輸出的示例，表明它能夠正確分類一些手勢。

KV260 上運行的模型能夠識別手勢，并在窗口中顯示信息。

?

該應用程序以大約 3 FPS 的速度運行，這足以與菜單 UI 進行實時交互。這實際上是我最初的計劃，但我無法找到一個可使用 Vitis-AI 軟件量化的預訓練模型（例如，我無法使用 OpenPose和 Vitis 玩得很好）。更具挑戰性，但這將允許更自然的手勢，如上下滑動、“點擊”輕敲動作或轉動想象中的音量旋鈕，以控制不同的功能。

結論

KV260 是一款出色的硬件，用于執行計算機視覺任務的推理。開始有點棘手，但希望這個項目能給你一些指導！我期待 Xilinx 即將對 Vitis-AI 工作流程進行改進，并希望未來能有更多以愛好者為中心的硬件。

故障排除

請查看GitHub 存儲庫中的故障排除部分。（這個頁面有點長）