米尔边缘ai计算盒子fz5体验评测：一款极高性价比ai开发板 -凯发app

相信大部分人都听过近几年大火的绝地求生游戏（吃鸡）里“落地成盒”的梗，形象、不失风趣，一度成为网络流行语，但是，这是贬义。而边缘ai计算盒子fz5“落地成盒”的故事又是另一回事了。

在几个月前，笔者有幸试玩过米尔科技与百度合作推出的一款，有兴趣的可以点击看看，是一款基于赛灵思soc设计的极高性价比ai开发板，与百度大脑工具平台（飞浆ai框架）的无缝兼容更是大大降低了ai应用门槛，但是，事情显然没有到此为止，现在fz5来了。

fz5边缘ai计算盒子

言归正传，fz5，看名字就知道是fz3的传承和升级，再进一步的话可以细分为fz5c以及fz5d。两者在主要功能上没什么差异，c为4gb运存，而d为8gb运存，我拿到的是c版本，价格3499元，d版本在此基础上加400元。

fz5摒弃了米尔科技传统的包装风格，可能盒子不像板子，是太厚了（笑哭）？内部配件：一个ai box包含microsd卡（fz5c边缘ai计算盒子），一根microusb线，一份说明书，一个12v的电源适配器包含4种插头。

fz5完全看不到板子，真正切切一个“黑盒”的模样。实物外观如下图所示。

外部功能接口示意图如下。

非常硬核的接口配置，4个usb3.0口，值得注意的是，这里的hdmi是输入源接口，而不是作为输出的，视频输出接口是minidp，这些接口在传统的开发板上是并不常见的，可能这是今后ai开发板与传统嵌入式开发板的一个分水岭。fz5具体的硬件框图如下。

“黑盒”核心，全能soc xczu5ev

ai box fz5虽然只一个成人巴掌大小的尺寸，但是拥有专业的ai应用潜力。核心采用赛灵思zynq ultrascale mpsoc  soc xczu5ev系列产品，记得fz3采用的是xczu3eg系列，从这点上也可大致推断，fz3，fz5的命名有参考产品核心soc的选型。

xczu5ev完整规格型号为xczu5ev-sfvc784，集成了 arm 四核 cortex-a53（ps），双核 cortex-r5（ps），mali-400 mp2 图形处理单元和kintex ultrascale fpga（pl）。四核 cortex-a53 具有强大的计算能力，双核 cortex-r5 可用于实时处理应用，mali-400 mp2 可用于加速图形处理，vcu 可用于硬件视频编解码加速应用，而 fpga 具有完全可编程性。简直就是一个全能选手，配合丰富且常用的接口以及可扩展接口，可适应各种应用场景。

上手体验

说那么说，实际上手体验又是如何呢？

相比fz3开发板类型，fz5的黑盒装无论是携带还是实际操作更加方便了，尤其加上出厂烧录的microsd镜像，让你真正体验什么叫开箱即用。

根据你实际的外设可以选择不同的调试方式，比如usb转串口，ssh，或者外接显示器，可能只有外接显示器比较麻烦，这里的输出显示是minidp接口。而采用usb转串口工具是最为方便的，真正的开箱即用。

但是usb转串口调试对应设备的控制台，在进行一般调试时可能会有冗余的打印信息，并且初次使用的话还需要安装串口驱动 cp210x_windows_drivers。所以建议用户使用网口调试，fz5默认的ip是192.168.1.254，所以网口调试需将计算机的ip段设置为192.168.1.x

无论是usb转串口调试，还是网口调试，fz5在启动后都要求用户输入login和password，即root & root，输入成功，即可登录设备系统。

fz5 出厂搭载了linux系统，开发者可以基于linux系统进行应用程序进行开发，系统中也有自带的深度学习预装环境以及为模型推理的例程，用户也可以直接使用。

主要调用流程：1.应用程序获取视频输入->2.调用预测库加载模型->3.调度模型和底层驱动加速模块进行计算->4.获得运行结果。

下面就来看看实际的体验如何。

分类模型示例

读取一张本地图片，调用模型进行推理，并输出结果。

考虑到简单通用性，该示例从json文件中读取模型和图片信息，加载并执行。 执行时需要指定相应的配置文件。而配置文件其实是大同小异，我们可以看下inceptionv2神经网络模型的配置文件示例，以此为例。

其中各个参数的含义如下表所示。

因为fz5上具有编译能力，所以这里实际演示一下，进入到sample/classification示例的build目录下进行编译，如下如所示是已经编译过的结果。

编译结束后会在build 目录生成如下几个文件。

image_classify 为读取本地图片推理示例，运行./image_classify ../configs/resnet50/drink.json执行结果如下。

而video_classify 则是读取摄像头数据进行推理，需要连接摄像头，这里是使用usb摄像头，这个还好，但是，非常可惜的是官方没有配minidp转接口，因此就没法连接显示器，因此下面的demo演示只能看看系统打印的log。

运行./video_classify ../configs/resnet50/drink.json

执行结果如下。

目标检测示例

和分类不同，物体检测除了能知道物体的类型，还能检测出物体所在的位置坐标。物体检测也分了两个示例，一个是在图片上检测物体，并绘制出坐标信息。还有通过摄像头采集视频，检测在屏幕上绘制坐标信息。

同样image_classify 读取本地图片推理示例。

运行./image_detection ../configs/vgg-ssd/screw.json

video_classify 则是读取摄像头数据进行推理。不过这里由于没有外接显示器而无法显示。

不过，值得一提的是，针对一些需要将hdmi作为视频源输入接口的工业应用场景，fz5提供了一路hdmi in接口支持，系统以及软硬件均做了相关适配，可以直接使用，非常人性化。

此外，fz5的软核仍在持续升级中，性能也将同步提升。相同网络结构不同版本对算力要求不同，如有具体项目应用，也可联系米尔科技官方申请定制优化。同样，fz5也可以像fz3一样运行easydl平台模型预测示例，与fz3也是异曲同工之妙，差别在于fz5具有不同的接口和更高的性能，本文就要不再赘述，如有需要可以查看先前。

小结

从面向评估研发阶段的计算卡到面向批量化ai项目落地的高可靠性ai box，fz3到fz5完成“落地成盒”的蜕变，而它想传达给你的就是：你只需要专注于你的应用，将ai加速的事交给边缘ai计算盒子fz5就是了。