Vitis AI 编译dnndk应用

Vitis AI与DNNDK：从编译到执行AI应用
最新推荐文章于 2025-10-08 09:06:18 发布
最新推荐文章于 2025-10-08 09:06:18 发布
阅读量903 收藏 2
点赞数 1
CC 4.0 BY-SA版权
分类专栏： FPGA  AI推理
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/clj609/article/details/119300798
本文详细介绍了如何在Vitis AI库中编译DNNDK AI应用，包括DNNDK API与VART API的区别、安装交叉编译环境、模型的编译和应用修改，以及最后在自定义单板上执行AI应用的步骤。通过这些步骤，读者可以学习到Vitis AI在实际应用中的流程。

在Vitis AI library中的模型在自定义单板使用中，介绍了如何进行模型库编译，下一步要将模型加入到AI应用中进行编译，生成可执行文件.

编译DNNDK AI应用

DNNDK API与VART API

DNNDK API：自定义神经网络时使用。

VART(Vitis-AI RunTime) API ：使用Xilinx Model Zoo中的模型时使用。

  • 安装交叉编译环境

进入https://github.com/Xilinx/Vitis-AI/tree/v1.2/mpsoc，下载sdk-2020.1.0.0sh。

$mkdir petalinux_sdk
$cd petalinux_sdk
$./sdk-2020.1.0.0.sh
  • 创建环境变量
$source ~/petalinux_sdk/environment-setup-aarch64-xilinx-linux
  • 下载
了解本专栏 订阅专栏 解锁全文 超级会员免费看
Vitis下运行DNNDK例程编译错误分析与解决
硬码农二毛哥的博客
05-30 1066
Vitis下运行DNNDK例程编译错误分析与解决 出现问题： 最新在Vitis下运行DNNDK例程时，（例程地址https://github.com/Xilinx/Vitis-In-Depth-Tutorial/blob/2020.1/Vitis_Platform_Creation/Introduction/02-Edge-AI-ZCU104/README.md） 运行到编译时，（20 Right click the hello_dpu project folder and select Build Pro
Vitis AI VART自动驾驶应用
硬码农二毛哥的博客
08-12 1644
Vitis AI提供两种应用例程，VART和Vitis AI Library，下文详细描述了VART中自动驾驶应用的实现过程。 编译AI模型 对于DNNDK API和VART API编译AI库的方式相同， 编译yolov3模型 yolov3模型用于自动驾驶。 $~/Vitis-AI/AI-Model-Zoo/all_models_1.2/caffe $cp -r dk_yolov3_cityscapes_256_512_0.9_5.46G_1.2/ ../../../Tool-Example/ $cd ~
Vitis-AI-1.3-TensorFlow2 使用TensorFlow2 构建custom AI模型的流程；
oldmoney
04-26 817
Vitis-AI 1.3/TensorFlow2 环境下使用自定义 CNN 模型进行 Mnist 分类 本示例工程中我们会在 TensorFlow2 下使用 Keras API 创建一个自定义 CNN 网络，在 Vitis-AI 1.3 环境下编译成 Xilinx DPU 上运行的模型文件，并在 Xilinx zynqMP 上部署运行。 可从link的 github 页面获得源码 ...
include 'stdafx.h' before including this file for PCH
05-28 2910
预编译头文件(一般扩展名为.PCH),是把一个工程中较稳定的代码预先编译好放在一个文件(.PCH)里.这些预先编译好的代码可以是任何的C/C++代码--甚至可以是inline函数,只它们在整个工程中是较为稳定的,即在工程开发过程中不会经常被修改的代码. 为什么需要预编译头文件?一言以蔽之:提高编译速度.一般地,编译器以文件为单位编译,如果修改了一工程中的一个文件则所有文件都要重新编译,包括头文件里
上位机知识篇---Vitis AI
道阻且长，行则将至。
10-08 1262
VitisAI是AMD推出的AI推理开发平台，可将主流AI框架训练的模型转换为能在FPGA等硬件上高效运行的格式。它包含模型优化、量化、编译等工具链，能大幅提升AI推理性能并降低功耗。VitisAI简化了AI模型在专用硬件的部署流程，使开发者无需深入硬件细节即可实现边缘计算场景下的高性能AI应用。通过量化技术、专用DPU处理器和优化工具，VitisAI在保持精度的同时显著提升推理速度，是边缘AI部署的理想解决方案。
ug1327-dnndk-user-guide.pdf
07-12
赛灵思 dnndk user guide ， programming guide， network
PowerSensor AI教程1.2 - 数字识别 - dnndk模型编译
linxiaobo110的专栏
05-29 1061
准备工作 安装vmware，vmware在我们的百度网盘可以下载到 链接：https://pan.baidu.com/s/1nhXQxRgYh9cDEFMw5sMvAQ 提取码：z1dm 下载我们准备好的虚拟机 地址： 链接：https://pan.baidu.com/s/1mdZV9jn74RCxKp_pUh4mew 提取码：623k 本章的例程与上一节的相同，请移步 Powersensor AI教程1.1-数字识别-tf模型训练下载。 介绍 本章主要介绍的PowersensorAI部署
基于Vitis AI1.2 dpu平台测试
sinat_39724439的博客
03-10 4629
1、软件版本 ubuntu18.04.2 vivado2020.01 petalinux2020.01 vitis2020.01 芯片：zu3eg784 本篇博客较长，可以先看结果，同时dp上有图片输出。 参考网站设计： （1）https://github.com/Xilinx/Vitis-Tutorials/tree/2020.1/Vitis_Platform_Creation/Introduction/02-Edge-AI-ZCU104（下载备用） （2）https://www.xilinx.com/
Vitis AI Library应用
硬码农二毛哥的博客
08-09 1296
Vitis AI提供两种应用例程，VART和Vitis AI Library，下文详细描述了Vitis AI Library中refinedet应用的实现过程。 编译AI模型 DNNDK 和Vitis AI Library编译AI库的方式相同。 编译refinedet模型 RefineDet模型用来检测人体。 $~/Vitis-AI/AI-Model-Zoo/all_models_1.2/caffe $cp -r cf_refinedet_coco_480_360_0.8_25G_1.2/ ../../..
vitis dpu kernel编译和docker环境搭建
wangjie36的博客
02-23 611
进入Vitis-AI目录下的docker文件夹，运行该目录下的dpu-compiler-docker-install.sh， 该脚本会将Vitis-AI Docker 的可运行的镜像直接下载到本地，大小为10GB左右，所需时间取决于网络环境。执行完毕后，会在.elf 文件所在的位置生成在目标板运行yolov3所需的.so文件（DPU Kernel 文件），将其拷贝至实验工程目录下的code/deploy_in_board/Alinx_DNN/ tf_yolov3_vehicle_deploy/。
2021-10-13 QT中使用DNNDK 调用dpu api 使用dpu 模型部署到zynq7020
石头剪子不的博客
10-13 2437
在QT中使用DNNDK调用xilinx DPU 部署的AI模型，交叉编译到ZYNQ7000板卡中使用
DPU on PYNQ-Z2系列—2.1 DNNDK使用—搭建DNNDK环境
lulugay的博客
01-14 5228
搭建DNNDK环境 DNNDK包括Host和终端两部分，Host端负责将模型量化并编译成DPU能够识别的数据格式，终端即在板子上运行DPU依赖的一系列运行库。DNNDK首先将神经网络量化到8bit，量化过程中需要对一些样本进行采样并确定量化的参数。这个过程可以使用GPU进行加速，这就依赖英伟达特定版本的运行库。由于DNNDK只能与特定版本的CUDA以及cuDNN搭配使用，因此使用docker构建D...
利用DNNDK作AI DPU硬核加速－FPGA大赛获奖实例分析
u010879745的博客
04-08 2876
这个项目是通过小车上安放Ultra96和摄像头，在行进过程中摄像头所摄入的目标和道路边缘进行识别，并通过WIFI完成与远端主机的通信与控制。 Ultra96板通过USB摄像头采集图像信号，利用Ultra96强大的DNNDK IP神经网络处理能力进行目标识别。利用DNNDK 的 SSD神经网络硬件加速方案和先进的剪枝技术，在计算机上进行模型的选择、训练和验证。然后运用DNNDK IP将深度模型的浮点...
深度学习DNNDK安装与使用
u010879745的博客
03-21 3952
依赖库安装： 安装Caffe时，拷贝下面的命令即可 sudo apt-get install -y --force-yes build-essential autoconf libtool libopenblas-dev libgflags-dev libgoogle-glog-dev libopencv-dev protobuf-compiler libleveldb-dev liblmdb-d...
DPU on PYNQ-Z2系列—3.2 部署DPU—使用DNNDK进行C++编程
lulugay的博客
03-09 3390
使用DNNDK进行C++编程 dnndk提供了一个resnet50的案例，但是那个案例是基于caffe的，我们需要稍作修改 定义input node，output node /* DPU Kernel name for ResNet50 */ #define KRENEL_RESNET50 "resnet50v1_0" /* Input Node for Kernel ResNet50 */ #d...
ZYNQ ZedBoard调试DNNDK环境 一：安装环境和运行例程
Ryantangjy的博客
07-27 991
ZYNQ ZedBoard调试DNNDK环境 一：安装环境和运行例程 目的：使用ZedBoard评估版进行DNNDK开发。 环境：ZedBoard评估版，ubuntu16.4虚拟机环境，DNNDKv3.1。 参考：手册ug1327v1.6 初步目标：搭建虚拟机环境，先跑起来DNNDK例程，安装需要的虚拟机上的软件。 下面是调试记录和遇到的问题和解决方法。 下载官方zedboard镜像到SD卡，调整板子启动模式为SD卡启动，连接串口到电脑，打开串口调试助手，启动板子，显示启动成功，如图： 问题1：使用SSH
ZYNQ学习之路20.DNNDK简介与环境配置
亦梦云烟的博客
04-01 3449
背景：深鉴科技的DNNDK，是一个基于xilinx FPGA的SDK端的深度学习开发工具包，能够快速的实现深度学习的硬件化。 目的：了解深鉴科技DNNDK内容。 一. 简介 DNNDK™ (Deep Neural Network Development Kit)是深鉴科技面向AI异构计算平台 DPU (Deep learning Processor Unit，深度学习专用处理器)自主研发的原创深度学习SDK， 涵盖了神经网络Inference阶段模型压缩、编译优化和高效运行时支持等各种功能需求，为 D
RTthread与linux核间通信并在线升级RTthread
wangjie36的博客
08-19 7300
使用env软件执行scons --useconfig=amp_config确保 RT-Thread 处于amp模式，然后使用menuconfig开启matrix_multiply_demo相关宏。7，RKDevTool烧写到RK板子：系统运行起来，在linux端执行 rpmsg_matrix_multiply，在RT-Thread端执行rpmsg_matrix_multiply_demo应用程序可以看到矩阵数据传输及运算都正常。先编译RT-Thread源码，并使用打包工具生成待更新固件。
深鉴科技DNNDK概览
祥瑞的技术博客
09-10 9085
背景：深鉴科技的DNNDK，是一个基于xilinx FPGA的SDK端的深度学习开发工具包，能够快速的实现深度学习的硬件化。 目的：了解深鉴科技DNNDK内容。 参考内容：http://www.deephi.com/technology/dnndk deephi_dnndk_1.10_beta\docs    user Guide 目录 1.概览 1.1 DNNDK基于什么？ 1.2...
如何在Vitis中为Linux应用添加编译选项
最新发布
10-31
<think>我们正在使用Vitis开发Linux应用程序，用户询问如何为Linux应用添加编译选项。 根据之前的引用，我们知道在Vitis中创建Linux应用工程的基本步骤。现在需要添加编译选项，这通常在工程的构建设置中完成。 步骤： 1. 在Vitis中打开已有的Linux应用工程（如工程类型为"Xilinx ARM v7/v8 Linux Executable"）。 2. 右键点击工程，选择“Properties”（属性）。 3. 在属性对话框中，导航到：C/C++ Build -> Settings 4. 在右侧的工具设置标签页中，我们可以看到不同的工具，包括： - ARM v7/v8 gcc compiler - ARM v7/v8 g++ compiler - ARM v7/v8 linker 5. 对于C语言项目，我们主要关注“ARM v7/v8 gcc compiler”下的选项。 具体操作： - 在“Tool Settings”选项卡中，展开“ARM v7/v8 gcc compiler”： * 在“Directories”中可以添加头文件路径（-I选项） * 在“Optimization”中设置优化级别（-O0, -O1, -O2等） * 在“Warnings”中设置警告选项（-Wall, -Wextra等） * 在“Debugging”中设置调试信息（-g） * 在“Preprocessor”中定义宏（-D） * 在“Miscellaneous”中可以添加其他编译器选项（直接在“Other flags”框中输入） - 同样，链接器选项在“ARM v7/v8 gcc linker”下设置： * 在“Libraries”中添加库（-l）和库路径（-L） * 在“Miscellaneous”中添加其他链接器选项 例如，要添加编译选项“-Wall”和“-O2”，以及链接选项“-lpthread”： 1. 选择“ARM v7/v8 gcc compiler” -> “Warnings”，选择“All warnings (-Wall)” 2. 选择“Optimization”，选择“Optimize more (-O2)” 3. 选择“ARM v7/v8 gcc linker” -> “Libraries”，在“Libraries (-l)”右侧点击“+”号，输入“pthread”（去掉前面的lib和后面的.so，只写库名） 另外，如果有一些特殊的编译选项，可以直接在“Miscellaneous”中的“Other flags”框中添加。 例如：在编译器的“Other flags”框中输入“-fopenmp”，在链接器的“Other flags”框中同样输入“-fopenmp”。 注意：这些设置是针对当前工程的，并且会反映在Makefile中。Vitis在构建时会使用这些选项。 如果用户需要设置条件编译的宏，比如定义宏“DEBUG”，则： 在“Preprocessor”中，在“Defined symbols (-D)”右侧点击“+”号，输入“DEBUG”（不需要-D，直接输入宏名）。如果需要定义值，可以输入“NAME=value”。 最后，点击“Apply and Close”保存设置。 示例步骤（以添加-pthread选项为例）： 1. 右键工程 -> Properties 2. C/C++ Build -> Settings 3. 选择“ARM v7/v8 gcc compiler” -> “Miscellaneous” 4. 在“Other flags”中添加“-pthread”（注意：也可以按照前面提到的方法在链接器的Libraries中添加-pthread，但使用-pthread编译器选项更全面，因为它还会定义必要的宏） 5. 同样，在“ARM v7/v8 gcc linker” -> “Miscellaneous”的“Other flags”中也添加“-pthread”（实际上，对于gcc，通常只需要在编译时添加-pthread，链接时会自动链接库，但为了确保，有时在链接时也加。但更规范的做法是只在编译选项加-pthread，因为-pthread会传递给链接器） 注意：对于多线程程序，推荐使用-pthread而不是-lpthread，因为-pthread会确保正确的编译和链接，并且定义_REENTRANT等宏。 引用[1][2][3]中提到了创建工程的过程，但没有具体说明如何添加编译选项。上述方法是基于Vitis的工程属性设置。 因此，我们可以这样总结： </think>在 Vitis 中为 Linux 应用程序添加编译选项，需通过工程属性设置进行操作。以下是详细步骤： ### 添加编译选项的步骤 1. **打开工程属性** - 在 **Project Explorer** 窗口中右键点击目标工程 - 选择 **Properties** → **C/C++ Build** → **Settings** 2. **配置编译器选项** 在 **Tool Settings** 选项卡中： - 展开 **ARM v7/v8 gcc compiler** ```mermaid graph LR A[ARM gcc compiler] --> B[Optimization] A --> C[Preprocessor] A --> D[Debugging] A --> E[Miscellaneous] ``` - 常用配置区域： - **Optimization**：设置优化级别（如 `-O2`） - **Preprocessor**：添加宏定义（如 `-DDEBUG`） - **Debugging**：生成调试信息（`-g`） - **Miscellaneous**：在 **Other flags** 中添加自定义选项（如 `-Wall`） 3. **配置链接器选项** - 展开 **ARM v7/v8 gcc linker** - **Libraries** 标签页： - 添加库名称（如 `pthread` → `-lpthread`） - 添加库路径（如 `/usr/local/lib` → `-L/usr/local/lib`） - **Miscellaneous**： - 在 **Linker flags** 中添加自定义链接选项（如 `-static`） 4. **应用设置** - 点击 **Apply and Close** 保存配置 - 重新编译工程使设置生效（右键工程 → **Build Project**） ### 示例场景 为多线程程序添加支持： 1. 在 **ARM gcc compiler** → **Miscellaneous** → **Other flags** 添加： ``` -pthread ``` 2. 在 **ARM gcc linker** → **Libraries** 添加： ``` pthread ``` 这将自动生成 `-lpthread` 链接指令[^1][^3]。 ### 验证编译选项 编译后查看 **Console** 窗口中的实际命令： ```bash arm-linux-gnueabihf-gcc -O2 -Wall -pthread -I../include ... arm-linux-gnueabihf-gcc -lpthread -L../lib -o app ... ``` > ⚠️ **注意** > - 裸机工程（Baremetal）需改用 **Xilinx Tools** 下的编译器设置 > - Linux 应用必须选择 **Xilinx ARM v7/v8 Linux Executable** 工程类型[^1][^3] > - 选项 `-pthread` 比 `-lpthread` 更推荐，因它同时启用线程安全宏[^2]
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

硬码农二毛哥

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值