【项目--Hi3559A】Hi3559A平台仿真功能操作介绍

简介: 【项目--Hi3559A】Hi3559A平台仿真功能操作介绍

1.软件安装

位于HiSVP_PC_V1.1.3.0/tools/nnie/文件夹中,有windows和linux两个版本,建议使用windows版本。

在正式使用软件之前需要安装相应的环境,可用脚本一键安装:


1.1 MinGW-W64安装

第一步,安装wget,下载地址:http://gnuwin32.sourceforge.net/packages/wget.htm(Complete package,except sources),建议下载wget-1.11.4-1-setup.exe。双击安装,将 wget.exe 所在目录添加到系统环境变量 PATH 中, 用于从网页

下载相关包。建议在系统环境变量中,先创建一个变量名为 WGET_PATH 的环境变量, 变量值即为 wget.exe 所在路径,也就是 GnuWin32\bin 路径, 然后再将%WGET_PATH%添加到系统环境变量 PATH 中。

第二步 点击 ruyi_env_setup 文件夹下的 setup_mingw.bat, 就可以自动下载 mingw 和 msys 的安装包, 解压到指定位置并配置环境变量(会自动配置环境)。


1.2 Python3.5+caffe环境配置

第一步 安装wget(之前已安装可略过);

第二步 从 https://github.com/willyd/caffe-builder/releases 下载libraries_v140_x64_py35_1.1.0.tar.bz2 并放置在 ruyi_env_setup 文件夹下。

第三步 点击 setup_python.bat 进行安装, setup_python.bat 脚本会调用 python_bat 文件夹下的setup_download_python.bat、 setup_extract_python.bat 和 setPath_python.bat, 下载python, caffe 的依赖包,并配置环境变量。如果环境变量配置失败(如环境变量超过1024 个字符) , 或者在 win10 系统下配置系统环境变量, 可参考 5.1.2.2 的描述,进行手动配置(之前安装几次都会报一些环境安装失败,但是不影响仿真平台基本功能)。


1.3 重启计算机,over


2.软件主要功能介绍

2.1 导入sample工程

鼠标左键单击“File” ->“Import”;

在弹出的导入对话框中,选择“Existing Projects into Workspace”;

选择工程所在路径,并选择该路径下要导入的sample 工程(选中.\HiSVP_PC_V1.1.3.0\software),点击“Finish”按钮,导入成功后工程将显示如下图:

20200714092937742.png

2.2 运行sample工程

由于默认sample打开了所有网络的仿真测试,耗费时间太多,先关闭一些网络的仿真功能。

如点击sample_simulator前的箭头,选中src中的main.cpp(这是整个工程的进入接口),将其他所有网络关闭,只留下YOLOv3,如下:

20200714093025403.png

此时,点击锤子图标编译,再点击横三角形图标进行运行,即开始网络的仿真,运行结束之后,可在sim_out下查看仿真结果。

2.3 WK转换

参考data文件下的例子进行网络的布置,如拷贝yolov3,改名为yolov3_own,将其中的caffemodel、protxtxt以及image.txt换成自己的即可。

具体介绍:

20200714093129226.png

Inst中是生成的WK;

Model中是网络的caffemodel、prototxt;

Image_ref_list.txt是进行模型量化需要的图片文件;

Image_test_list.txt是进行测试时调用的图片文件;

*_func.cfg *_inst.cfg进行WK转换需要用的配置文件,详细介绍见下。


①Input Setting部分

2020071409315710.png

该部分主要完成caffemodel以及prototxt文件的基本检测,若无误会自动生成Marked_prototxt,点击mark可实现网络网络可视化。同时可在该可视化界面进行对应层的修改如指定高精度层、中间上报层等;

②Mapper Setting部分

20200714093331886.png

该部分参数设置基本如上;

③Data 部分

20200714093309477.png

该部分主要设置图片格式以及配置网络量化,具体配置参考sample。

④点击 生成对应的Wk文件,有误即查看报错信息。

2.4 修改代码中的宏定义(wk文件位置,图片等)


20200714093349389.png

2020/7/14
“本站所有文章均为原创,欢迎转载,请注明文章出处:https://blog.csdn.net/ll15982534415/article/details/107330909。百度和各类采集站皆不可信,搜索请谨慎鉴别。技术类文章一般都有时效性,本人习惯不定期对自己的博文进行修正和更新,因此请访问出处以查看本文的最新版本。”
相关文章
在某龙芯平台上编译FFMPEG报错:ERROR: xxx not found using pkg-config
在某龙芯平台上编译FFMPEG报错:ERROR: xxx not found using pkg-config
661 0
|
5月前
|
编解码 数据可视化 Java
三维基因组: TAD差异分析-HiCCUPS (2)
三维基因组: TAD差异分析-HiCCUPS (2)
281 17
三维基因组: TAD差异分析-HiCCUPS (2)
|
8月前
|
机器学习/深度学习 资源调度 算法
YOLOv11改进策略【损失函数篇】| 引入Soft-NMS,提升密集遮挡场景检测精度,包括GIoU-NMS、DIoU-NMS、CIoU-NMS、SIoU-NMS、 EIou-NMS
YOLOv11改进策略【损失函数篇】| 引入Soft-NMS,提升密集遮挡场景检测精度,包括GIoU-NMS、DIoU-NMS、CIoU-NMS、SIoU-NMS、 EIou-NMS
3074 6
|
机器学习/深度学习 自然语言处理 PyTorch
PyTorch与Hugging Face Transformers:快速构建先进的NLP模型
【8月更文第27天】随着自然语言处理(NLP)技术的快速发展,深度学习模型已经成为了构建高质量NLP应用程序的关键。PyTorch 作为一种强大的深度学习框架,提供了灵活的 API 和高效的性能,非常适合于构建复杂的 NLP 模型。Hugging Face Transformers 库则是目前最流行的预训练模型库之一,它为 PyTorch 提供了大量的预训练模型和工具,极大地简化了模型训练和部署的过程。
807 2
|
机器学习/深度学习 人工智能 PyTorch
AI计算机视觉笔记三十二:LPRNet车牌识别
LPRNet是一种基于Pytorch的高性能、轻量级车牌识别框架,适用于中国及其他国家的车牌识别。该网络无需对字符进行预分割,采用端到端的轻量化设计,结合了squeezenet和inception的思想。其创新点在于去除了RNN,仅使用CNN与CTC Loss,并通过特定的卷积模块提取上下文信息。环境配置包括使用CPU开发板和Autodl训练环境。训练和测试过程需搭建虚拟环境并安装相关依赖,执行训练和测试脚本时可能遇到若干错误,需相应调整代码以确保正确运行。使用官方模型可获得较高的识别准确率,自行训练时建议增加训练轮数以提升效果。
1352 4
|
算法 测试技术 数据处理
【C++ 设计思路】优化C++项目:高效解耦库接口的实战指南
【C++ 设计思路】优化C++项目:高效解耦库接口的实战指南
347 5
|
机器学习/深度学习 编解码 计算机视觉
深入 YOLOv8:探索 block.py 中的模块,逐行代码分析(一)
深入 YOLOv8:探索 block.py 中的模块,逐行代码分析(一)
|
人工智能 自然语言处理 算法
极智AI | TensorRT API构建模型推理流程
大家好,我是极智视界,本文介绍一下 TensorRT API 构建模型推理流程。
768 1
|
缓存 Ubuntu 编译器
CMake 常见问题及解决办法
CMake 常见问题及解决办法
5103 0
|
Ubuntu 安全 网络协议
如何在 Ubuntu 上启用 SSH,安全地远程管理和传输数据
如何在 Ubuntu 上启用 SSH,安全地远程管理和传输数据
3102 0
如何在 Ubuntu 上启用 SSH,安全地远程管理和传输数据