Vitis AI API_1 开发 - 2.5 简体中文

Vitis AI API_1 是一组基于高级 API 的库，其中包含不同的视觉任务，包括分类、检测与分割。它专为完整算法流程而优化，包括预处理和后处理，并且支持 AI Model Zoo 中的模型。

1. 从 https://github.com/Xilinx/Vitis-AI 下载对应的 Docker 镜像。
2. 加载和运行 Docker。
3. 在主机侧创建文件夹，并将浮动模型置于其中，然后使用 Vitis AI 量化器来量化模型。如需了解更多详情，请参阅 Vitis AI 用户指南(UG1414)。
4. 使用 Vitis AI 编译器编译该模型以生成 xmodel 文件，例如，yolov3_custom.xmodel。如需了解更多信息，请参阅 Vitis AI 用户指南(UG1414)。
5. 创建 yolov3_custom.prototxt 文件，如以下片段所示。

   model {
     name: "yolov3_custom"
     kernel {
        name: "yolov3_custom"
        mean: 0.0
        mean: 0.0
        mean: 0.0
        scale: 0.00390625
        scale: 0.00390625
        scale: 0.00390625
     }
     model_type : YOLOv3
     yolo_v3_param {
       num_classes: 20
       anchorCnt: 3
       layer_name: "59"
       layer_name: "67"
       layer_name: "75"
       conf_threshold: 0.3
       nms_threshold: 0.45
       biases: 10
       biases: 13
       biases: 16
       biases: 30
       biases: 33
       biases: 23
       biases: 30
       biases: 61
       biases: 62
       biases: 45
       biases: 59
       biases: 119
       biases: 116
       biases: 90
       biases: 156
       biases: 198
       biases: 373
       biases: 326
       test_mAP: false
     }
   }

6. 创建 yolov3_custom 文件夹。将 yolov3_custom.xmodel 和 yolov3_custom.prototxt 文件置于 yolov3_custom 文件夹内。
7. 将 yolov3_custom 文件夹复制到目标上的 /usr/share/vitis_ai_library/models。
8. 使用 Yolov3 样本代码作为应用代码。无需对其进行修改。

   int main(int argc, char* argv[]) {
     std::string model = argv[1];
     return vitis::ai::main_for_jpeg_demo(
       argc, argv,
       [model] {
         return vitis::ai::YOLOv3::create(model);
       },
       process_result, 2);
   }
   

9. 对程序进行交叉编译，并生成名为 test_jpeg_yolov3 的可执行文件。

   cd Vitis-AI/examples/Vitis-AI-Library/samples/yolov3
   sh -x build.sh

10. 使用 scp 将可执行程序复制到目标开发板。

    scp test_jpeg_yolov3 root@IP_OF_BOARD:~/

11. 在目标上安装 VART 运行时。如需了解详细信息，请参阅 步骤 3：安装 AI Library 程序包
12. 在目标开发板上执行程序，以获取如下结果。

    ./test_jpeg_yolov3 yolov3_custom sample.jpg