- ホスト側にクロス コンパイル システムをインストールします。詳細は、インストール を参照してください。
-
resnet50など、使用するモデルをダウンロードし、scpコマンドを使用してボードにコピーします。 - ターゲット側にモデルをインストールします。
tar -xzvf <model>.tar.gz cp -r <model> /usr/share/vitis_ai_library/modelsデフォルトで、モデルはターゲット側の /usr/share/vitis_ai_library/models ディレクトリに格納されます。
注記: 独自のモデルを使用する場合は、AMDのモデル パッケージをインストールする必要はありません。 - git を使用して、https://github.com/Xilinx/Vitis-AI から対応する Vitis AI ライブラリをコピーします。
- ワークスペースの下にフォルダーを作成します。次の例では、classification を使用します。
mkdir classification -
demo_classification.cpp ソース ファイルを作成します。次の図に、メイン フローを示します。すべてのコード例は、Vitis-AI/examples/vai_runtime/resnet50/src/main.cc を参照してください。
- 次に示すように build.sh ファイルを作成するか、Vitis AI ライブラリのデモから 1 つをコピーして、それを変更します。
#/bin/sh CXX=${CXX:-g++} $CXX -O2 -fno-inline -I. -o demo_classification demo_classification.cpp -lopencv_core -lopencv_video -lopencv_videoio -lopencv_imgproc -lopencv_imgcodecs -lopencv_highgui -lglog -lxir -lunilog -lpthread -lvart-runner - プログラムをクロス コンパイルします。
sh -x build.sh -
scpコマンドを使用して、実行可能なプログラムをターゲット ボードにコピーします。scp demo_classification root@IP_OF_BOARD:~/ - ターゲット ボード上でプログラムを実行します。プログラムを実行する前に、ターゲット ボードに Vitis AI ライブラリがインストールされていることを確認して、テストするイメージを準備します。
./demo_classification /usr/share/vitis_ai_library/models/resnet50/resnet50.xmodel resnet50_0 demo_classification.jpg