Vitis-AI量化编译YOLOv5（Pytorch框架）并部署ZCU104（二）_xmodel部署到开发板

系列文章目录

第一章  Vitis-AI量化编译YOLOv5（Pytorch框架）并部署ZCU104（一）

第二章  Vitis-AI量化编译YOLOv5（Pytorch框架）并部署ZCU104（二）

---

目录

系列文章目录

前言

一、Netron查看网络结构

二、与开发板建立通信

1.设置主机

2.设置开发板

三、C++ API编写

四、编译运行

总结

---

前言

第一章已经详细介绍了在主机利用Vitis-Ai进行量化编译后，成功生成了.Xmodel文件，本章主要介绍如何将.Xmodel部署到ZCU104，并利用C++ API进行目标检测。

---

一、Netron查看网络结构

Netron是一种用于神经网络、深度学习和机器学习模型的可视化工具，它可以为模型的架构生成具有描述性的可视化(descriptive visualization)。

使用这一工具好处在于不需要下载，在线导入即可立即生成模型结构。（Netron 在线工具）

将生成的.Xmodel导入后，可以看到会生成如下可视化网络结构。（部分结构，全部结构太大了，自己去寻找自己所需要的部分即可）

 双击每一部分即可看到Input、Output具体信息。在这里主要是看输出层的名字，可以看到共有四个输出层，并且可看到这四个输出层名字。

               

          

 可以看到4个输出层的名字和dim。（这里有一点，dim应该为128，256，512三层，但是中间多出一个输出层，dim为384，但是不影响检测，后续代码检测四层输出即可）

二、与开发板建立通信

1.设置主机

 为了方便，用网线直接将板子和PC连接，接下来就是配置同一网段的问题

我在学校用的是校园网，所以为了方便之后开发板可以联网，直接将WiFi网络给以太网共享，如下图。

之后确认之后，以太网的IPV4地址可以自动分配，下图是我的IPV4地址。

 可以看到主机网段是192.168.137，所以只需要将开发板设置到同一网段即可。

2.设置开发板

我使用的是MobaXterm串口软件，首先用Serial串口软件与开发板相连接，因为使用了usb与主机相连接，具体端口查看自己的设备管理器即可。比如我的端口为COM9，如下图。

 接下来将板子配置到PC同一网段（192.168.137），这里我选择将其配置为192.168.137.221.

ifconfig //可以查看当前网络信息
ifconfig eth0 192.168.137.221 //设置板子IP地址

 之后仍然使用MobaXterm，用ssh与板子建立远程连接，如下图。

三、C++ API编写

首先需要看手册中C++ API的函数使用。

// create runner
auto runner = vart::Runner::create_runner(dpu_subgraph, ”run”);
// get input tensors
auto input_tensors = runner->get_input_tensors();
// get input tensor buffers
auto input_tensor_buffers = std::vector<vart::TensorBuffer*>();
 for (auto input : input_tensors) {
 auto t = vart::alloc_cpu_flat_tensor_buffer(input);
 input_tensor_buffers.emplace_back(t.get());
}
// get output tensors
auto output_tensors = runner->get_output_tensors();
// get output tensor buffers
auto output_tensor_buffers = std::vector< vart::TensorBuffer*>();
for (auto output : output _tensors) {
 auto t = vart::alloc_cpu_flat_tensor_buffer(output);
 output_tensor_buffers.emplace_back(t.get());
}
// sync input tensor buffers
for (auto& input : input_tensor_buffers) {
 input->sync_for_write(0, input->get_tensor()->get_data_size() /
 input->get_tensor()->get_shape()[0]);
}
// run runner
auto v = runner->execute_async(input_tensor_buffers, output_tensor_buffers);
auto status = runner->wait((int)v.first, 1000000000);
// sync output tensor buffers
for (auto& output : output_tensor_buffers) {
 output->sync_for_read(0, output->get_tensor()->get_data_size() /
 output->get_tensor()->get_shape()[0]);
}

可以看到create 、get input 、get output等API的写法，DPU使用4个runner，代码如下：

auto graph = xir::Graph::deserialize(argv[2]);
  auto subgraph = get_dpu_subgraph(graph.get());
  CHECK_EQ(subgraph.size(), 1u)
      << "yolov3 should have one and only one dpu subgraph.";
  LOG(INFO) << "create running for subgraph: " << subgraph[0]->get_name();
 
  auto runner = vart::Runner::create_runner(subgraph[0], "run");
  auto runner1 = vart::Runner::create_runner(subgraph[0], "run");
  auto runner2 = vart::Runner::create_runner(subgraph[0], "run");
  auto runner3 = vart::Runner::create_runner(subgraph[0], "run");
  //auto runner4 = vart::Runner::create_runner(subgraph[0], "run");
  // get in/out tenosrs
  auto inputTensors = runner->get_input_tensors();
  auto outputTensors = runner->get_output_tensors();
  int inputCnt = inputTensors.size();
  int outputCnt = outputTensors.size();
  // init the shape info
  TensorShape inshapes[inputCnt];
  TensorShape outshapes[outputCnt];
  shapes.inTensorList = inshapes;
  shapes.outTensorList = outshapes;
  getTensorShape(runner.get(), &shapes, inputCnt,
                 //{"layer81", "layer93", "layer105", "layer117"});
                 //{"DetectMultiBackend__DetectMultiBackend_Model_model__Detect_model__Detect_24__Conv2d_m__ModuleList_0__9160", "DetectMultiBackend__DetectMultiBackend_Model_model__Detect_model__Detect_24__Conv2d_m__ModuleList_1__9207", "DetectMultiBackend__DetectMultiBackend_Model_model__Detect_model__Detect_24__Conv2d_m__ModuleList_2__9254"});
{"DetectMultiBackend__DetectMultiBackend_Model_model__Detect_model__Detect_33__Conv2d_m__ModuleList_1__12481", "DetectMultiBackend__DetectMultiBackend_Model_model__Detect_model__Detect_33__Conv2d_m__ModuleList_0__12434", "DetectMultiBackend__DetectMultiBackend_Model_model__Detect_model__Detect_33__Conv2d_m__ModuleList_2__12528","DetectMultiBackend__DetectMultiBackend_Model_model__Detect_model__Detect_33__Conv2d_m__ModuleList_3__12575"});

最后一行 getTensorShape 是我们需要得到输出张量的输出层名字，此时就需要步骤一中Netron查看结构所得到名字。

其次是Detect部分，网上现有的包括GitHub中基本上全都是用Python进行编写的，几乎没有C++，所以需要自己整理一下思路。

第一个思路：如果串行处理，也就是读取视频每一帧，送到DPU处理，再输出显示为视频。这样子可以吗？很明显有缺陷，如果读帧速度和DPU处理速度相冲突，必然会造成堵塞或进程崩溃，所以这个思路不可行。

第二个思路：串行行不通，很明显，并行是可以的。分为三个进程，第一个进程处理视频，读取每一帧并存入输入帧队列；第二个进程DPU读取输入帧队列，只要输入帧队列不空，就每次取一帧进行检测；第三个进程将DPU输出帧放入输出队列，并转换为视频进行输出。为了提供检测速率，共设置六个进程，一个进程作为输入帧队列，一个进程作为输出帧队列，其余进程用于DPU进行帧检测。

四、编译运行

因为自己制作的Linux系统没有GUI界面，所以如果直接用Serial相连，命令行运行输出展示时会报错，所以我们利用MobaXterm进行ssh连接，主要是为了利用ssh连接所提供的X11 server。可以看到，编译后运行命令：

./test video/test.webm ./yolov5.xmodel

视频格式看自己的opencv库，我的opencv很奇怪，不支持mp4或avi格式，可以看到检测效果如下：

可以看到居然只有5帧左右。？？？很奇怪，按理说DPU会加速，怎么帧率这么低呢？分析一下原因：

1、ssh连接的问题。我们知道ssh相当于远程服务器连接，DPU推理结果最后生成的视频是由板子所产生的，而最后是在主机也就是本地展示的视频，所以相当于远程服务器推理完成后再传输至本地进行展示，会有一定的延迟，也就造成了帧率的降低。

2、mobaxterm ssh传输速率低。和第一个问题类似，主要是因为ssh传输所带来的问题。

所以根据分析尝试进行解决，两个方案：

1、换用别的更好的串口软件，寻找ssh传输速率更高的方法。我又尝试了两个软件：

Xmanager：

 Putty：

可以看到，帧率显著提高了，所以第一次帧率过低确实是ssh传输所导致。此时在分辨率为640*640的情况下，FPS可以稳定在15帧，所以大胆推测一波，若直接输出视频，帧率还会更高。         

所以接下来可以改进一下代码，先不输出视频，检测完后将视频保存到本地，就不会出现传输延时的情况，之后实现后会继续更新！ 

---

总结

至此，用Vitis-AI部署的全过程就做完了，时间很仓促，前后大约只做了一周左右的时间，之前一个月从0开始做PYNQ，也算是对Xilinx的软硬件结合开发有了一定得了解。

这次DPU用的是Xilinx的小黑盒，明年要做自己编写的深度学习协处理器，并基于Risc-V进行开发，之后再更新！