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
文章来源:电路城 发布日期:2020.12.23 浏览次数:160 次 |
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。