Orange Pi AI Pro 开箱 记录

香橙派 AIpro（OrangePi AIpro）是一款面向AI开发的强大开发板，提供了高性能和多功能的开发环境。我将结合自己的开发经验，详细介绍这款开发板的性能、适用场景及使用体验。

一、产品概述

香橙派 AIpro配备了强大的硬件配置，包括8GB内存、电源、散热组件和32GB存储卡。这些硬件为AI开发提供了充足的资源和稳定的运行环境。

OrangePi AIpro(8T)采用昇腾AI技术路线，4核64位处理器+AI处理器，集成图形处理器，支持8TOPS AI算力，拥有8GB/16GB LPDDR4X，可以外接32GB/64GB/128GB/256GB eMMC模块，支持双4K高清输出。 Orange Pi AIpro引用了相当丰富的接口，包括两个HDMI输出、GPIO接口、Type-C电源接口、支持SATA/NVMe SSD 2280的M.2插槽、TF插槽、千兆网口、两个USB3.0、一个USB Type-C 3.0、一个Micro USB（串口打印调试功能）、两个MIPI摄像头、一个MIPI屏等，预留电池接口，可广泛适用于AI边缘计算、深度视觉学习及视频流AI分析、视频图像分析、自然语言处理、智能小车、机械臂、人工智能、无人机、云计算、AR/VR、智能安防、智能家居等领域，覆盖 AIoT各个行业。 Orange Pi AIpro支持Ubuntu、openEuler操作系统，满足大多数AI算法原型验证、推理应用开发的需求。

二、开发体验

1. 硬件安装

安装香橙派 AIpro非常简单，按照官方提供的说明书，连接好电源、散热组件和存储卡，整个过程不到三分钟。

到手后如图所示：有一个板子、一个充电器，然后板子上已经装好了风扇和sd卡，sd卡预装了 orange pi 的 linux 系统（系统是官方定制的Ubuntu20.04，也可以换为openEuler版本）。

2. 系统安装

香橙派 AIpro支持多种操作系统，包括Ubuntu和openEuler。到手的办卡已经内置了Ubuntu系统。如果需要替换，去官网论坛下载其他镜像，通过烧录工具将系统镜像写入存储卡后，插入开发板，接通电源即可启动。

下载地址：http://www.orangepi.cn/html/hardWare/computerAndMicrocontrollers/service-and-support/Orange-Pi-AIpro.html

3.开发板结构

4. 开发环境配置

登录方式主要有两种，一种是通过远程ssh，给香橙派插入网线，然后找到其局域网地址，ssh上即可。另一种是直接给开发板接屏幕、键盘、鼠标。我是后面这种方案。（如下图所示）。

由于Orange Pi AI Pro 已经内置了 wifi 模块，我单独准备的有：

• 无线鼠标 x 1、无线键盘 x 1
• 嵌入式屏幕 x 1、hdmi 线（用于连屏幕）x1

刚好我手上都有，所以直接开始下一步。

• 分别给香橙派、屏幕供电，然后hdmi线连接屏幕，以及插上两个无线键盘鼠标的信号接收器就成功开机啦。【开发板上电后，LED指示灯绿色常亮，表示启动正常。】
• 刚开机的时候风扇可能会声音比较大，开机后会保持稳定声音变的很小。
• 效果如下图：
  
  在Ubuntu系统上，安装Python和TensorFlow等常用的AI开发工具。香橙派 AIpro的8GB内存在运行这些工具时表现出色，开发环境配置过程非常顺畅，没有出现卡顿或性能不足的情况。

三、性能测试

1 图片识别

为了测试香橙派 AIpro的性能，我选择了一个常见的机器学习任务——图像分类。在开发板上运行了一个预训练的卷积神经网络模型，整个推理过程非常流畅，处理速度也很快，充分展示了这款开发板的强大性能。

在 /opt/opi_test 下预置有一些测试代码可以体验。

香橙派默认密码：Mind@123

su # 记得需要root
cd /opt/opi_test
# 这里有很多测试代码，可供学习

cd ResnetPicture/scripts/
bash sample_run.sh
# 如果这里报错大概率是没root登录导致的
1
2
3
4
5
6
7

2 手写数字识别

参考项目：https://gitee.com/ascend/EdgeAndRobotics/tree/master/Samples/HandWritingTrainAndInfer

git clone https://gitee.com/ascend/EdgeAndRobotics.git
# 切换到样例目录
cd EdgeAndRobotics/Samples/Mnist_For_Pytorch
1
2
3

Pytorch 安装参考官方文档：https://www.hiascend.com/document/detail/zh/canncommercial/700/envdeployment/instg/instg_0046.html

注意版本：PyTorch2.1.0、torchvision1.16.0

# torch_npu由于需要源码编译,速度可能较慢,本样例提供 python3.9,torch2.1版本的torch_npu whl包
wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/wanzutao/torch_npu-2.1.0rc1-cp39-cp39-linux_aarch64.whl

# 使用pip命令安装
pip3 install torch_npu-2.1.0rc1-cp39-cp39-linux_aarch64.whl
1
2
3
4
5

配置离线推理所需的环境变量:

# 配置程序编译依赖的头文件与库文件路径
export DDK_PATH=/usr/local/Ascend/ascend-toolkit/latest 
export NPU_HOST_LIB=$DDK_PATH/runtime/lib64/stub
1
2
3

安装离线推理所需的ACLLite库(参考https://gitee.com/ascend/ACLLite）
CANN版本要求： 7.0及以上社区版本。【参考https://www.hiascend.com/zh/document安装CANN】

# 我这里是ubuntu
apt-get install ffmpeg libavcodec-dev libswscale-dev libavdevice-dev
# 拉取ACLLite仓库，并进入目录
git clone https://gitee.com/ascend/ACLLite.git
cd ACLLite

# 设置环境变量，其中DDK_PATH中/usr/local请替换为实际CANN包的安装路径
export DDK_PATH=/usr/local/Ascend/ascend-toolkit/latest
export NPU_HOST_LIB=$DDK_PATH/runtime/lib64/stub

# 安装，编译过程中会将库文件安装到/lib目录下，所以会有sudo命令，需要输入密码
bash build_so.sh
1
2
3
4
5
6
7
8
9
10
11
12

到现在完成了基础环境的安装。下面是运行配置：
设置环境变量减小算子编译内存占用

export TE_PARALLEL_COMPILER=1
export MAX_COMPILE_CORE_NUMBER=1
# 运行训练脚本
python3 main.py
1
2
3
4

训练脚本后，会自动下载Mnist数据集，数据集目录结构如下：

├── dataset
      ├──MNIST
           ├──raw
                 │──train-labels-idx1-ubyte.gz
                 │──train-labels-idx1-ubyte
                 │──train-images-idx3-ubyte.gz
                 │──train-images-idx3-ubyte
                 │──t10k-labels-idx1-ubyte.gz
                 │──t10k-labels-idx1-ubyte
                 │──t10k-images-idx3-ubyte.gz
                 │──t10k-images-idx3-ubyte
1
2
3
4
5
6
7
8
9
10
11

执行以下命令，将训练生成的mnist.pt转换mnist.onnx模型:mnist.onnx模型生成在当前路径下

python3 export.py
1

执行以下命令，获取在线推理的测试图片。

cd data
wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/wanzutao/mnist/8.jpg
1
2

执行在线推理。

cd ../onnxInfer/
python3 infer.py
1
2

模型可以正确识别为8。

因为我这里没有usb摄像头，所以就不进行目标检测的演示了。

四、适用场景

香橙派 AIpro适用于多种AI开发场景，包括但不限于：

• 图像处理：高效的硬件支持图像分类、目标检测等任务，广泛应用于视频图像分析、智能安防等领域。
• 自然语言处理：强大的计算能力使其能轻松处理文本生成、情感分析等任务，适用于自然语言处理和智能家居等应用。
• 边缘计算：小巧的体积和低功耗设计，使其在边缘计算中具有显著优势，特别适用于AI边缘计算、智能小车、机械臂和无人机等场景。
• 深度视觉学习和视频流AI分析：凭借其强大的性能，香橙派 AIpro在深度视觉学习和视频流AI分析中表现出色，可应用于AR/VR和智能安防等领域。
• 云计算和AIoT：作为AIoT领域的重要设备，香橙派 AIpro覆盖了从云计算到各个AIoT行业的广泛需求。

五、使用感受

总体来说，香橙派 AIpro是一款性能优越的AI开发板，硬件配置强大，开发环境友好，适用于多种AI应用场景。特别是在图像处理和边缘计算方面，表现尤为出色。非常适合硬件创客去做一些DIY应用。

学习资料

香橙派AIpro快速上手指南
香橙派AIpro学习资源一站式导航