下列步骤用于为 Alveo U200 和 U250 数据中心加速器卡运行示例:
- 加载和运行 Docker 容器。
$./docker_run.sh -X xilinx/vitis-ai-cpu:<x.y.z>
- 下载并解压模型目录 (vai_lib_u200_u250_models.tar.gz) 包。
$cd /workspace/Vitis-AI-Library $wget -O vai_lib_u200_u250_models.tar.gz https://www.xilinx.com/bin/public/openDownload?filename=vai_lib_u200_u250_models.tar.gz $sudo tar -xvf vai_lib_u200_u250_models.tar.gz --absolute-names
注释: 所有模型均下载至 /usr/share/vitis_ai_library/models 目录。当前受支持的网络包括:classification、facedetect、facelandmark、reid 和 yolov3。 - 要使用 Collective Knowledge (CK) 为 Imagenet2012 下载最小确认集,请参阅 Alveo 示例。
- 设置环境。
$source /workspace/alveo/overlaybins/setup.sh $export LD_LIBRARY_PATH=$HOME/.local/${taget_info}/lib/:$LD_LIBRARY_PATH
- 确保根据 对于云端器件(Alveo U50LV/U55C 卡和 Versal VCK5000 卡) 部分中所述对整个 Vitis AI Library 进行编译。运行分类图像测试示例。
$HOME/build/build.${taget_info}/${project_name}/test_classification <model_dir> <img_path>
例如:
$~/build/build.Ubuntu.18.04.x86_64.Release/Vitis-AI-Library/classification/test_classification inception_v1 <img_path>
- 运行分类准确度测试示例。
$HOME/build/build..${taget_info}/${project_name}/test_classification_accuracy <model_dir> <img_dir_path> <output_file>
例如:
$~/build/build.Ubuntu.18.04.x86_64.Release/Vitis-AI-Library/classification/test_classification_accuracy inception_v1 <img_dir_path> <output_file>