Vitis AI 运行TensforFlow模型

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2k 收藏 14
点赞数
CC 4.0 BY-SA版权
分类专栏： FPGA  AI推理 文章标签： 深度学习 机器学习 人工智能
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/120112576
本文介绍了如何在百度EdgeBoard fzu3上使用Vitis AI运行CIFAR_10数据集的DenseNet-121模型进行分类。首先详细阐述了CIFAR_10数据集和DenseNet网络结构，接着描述了从模型下载、Docker环境设置、模型转换和量化，到最终在DPU上部署的完整步骤。Vitis AI的量化过程确保了模型精度，同时支持多种深度学习框架。

在百度edgeboard fzu3上运行CIFAR10 Classification，介绍Vitis AI TensorFlow设计过程，将Python描述的网络模型运行在Xilinx DPU上。

CIFAR_10数据集

输入图片32x32x8 RGB images，完整CIFAR数据集有60k图片，将数据集进行划分，50k进行训练，10k用来验证。

DenseNet结构

DenseNet-121组成：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-zxWB5HX7-1630813493654)(./pic/densenet.png)]

注：上图针对ImageNet。

步骤

  • 拷贝文件
cp -r /mnt/hgfs/ubuntu/DenseNetX/ ~/
  • 下载模型

Vitis AI 1.2版本模型不能下载，使用Vitis AI1.3版本的模型，解压模型keras_model.zip，将k_model.h5拷贝到./files/build/keras_model 文件夹。

unzip ker
了解本专栏 订阅专栏 解锁全文 超级会员免费看
VitisAI(07) 自定义模型部署
abcxy2161的博客
08-27 2136
本文以自定义模型为例，对使用VitisAI进行模型量化部署的流程进行介绍
在linux下安装VITIS-AI人工智能开发环境配置
FPGA/MATLAB学习教程/源码/项目合作开发
12-06 4389
步骤一、docker环境搭建 由于 apt 官方库里的 docker 版本可能比较旧，所以先卸载可能存在的旧版本： User:$ sudo apt-get remove docker docker-engine docker-ce docker.io 1.安装 curl 包： User:$ sudo apt-get install curl 2.添加 Docker 官方的 GPG 密钥： User:$ curl -fsSL https://download.docker.com/l
Vitis-AI-1.3-TensorFlow2 使用TensorFlow2 构建custom AI模型的流程；
oldmoney
04-26 812
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 ...
上位机知识篇---Vitis AI
最新发布
道阻且长，行则将至。
10-08 1236
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。
FPGA上利用Vitis AI部署resnet50 TensorFlow神经网络模型
u013804334的博客
07-07 4054
参考Xilinx官方教程克隆 Vitis AI 存储库以获取示例、参考代码和脚本(连接github失败可能需要科学上网)。安装Docker安装完docker后，下载最新Vitis AI Docker，将官方的指令改为，从中三选一。遇到问题如下，使用切换到3.0版本运行以下命令安装交叉编译系统环境如果提示，需要使用chmod命令修改文件权限，使文件可执行下载并设置开发板镜像。
Vitis-AI 的量化实例
u010879745的博客
07-11 2267
量化的两个文件 input_fn.py # from resnet_v1_50_preprocessing import * # def eval_input(iter, eval_image_dir, eval_image_list, class_num, eval_batch_size): # images = [] # labels = [] # line = open(eval_image_list).readlines() # for index in range(0, eval
Vitis-Ai 3.0 板卡镜像制作、模型量化编译教程
qq_43310458的博客
04-03 869
使用Vitis-ai在FPGA上部署神经网络模型，神经网络硬件加速，xilinx vitis-ai
基于YOLOv5与Vitis AI的食物识别模型量化及系统搭建
08-31
内容概要：本文研究了基于YOLOv5与Xilinx Vitis AI的深度学习食物识别技术，重点介绍了模型量化、编译及在Xilinx硬件平台上的系统搭建过程。通过模型优化手段提升推理效率，实现在嵌入式AI系统中的高效部署，适用于...
基于Yolov5与Vitis AI的模型量化及系统搭建的食物识别研究,基于yolov5的食物识别Xilinx，vitis ai，模型 模型量化 模型编译 系统搭建 ,基于Yolov5的食物识别; Xi
01-19
通过采用YOLOv5作为基础模型，并利用Vitis AI的模型量化与编译技术，研究者们旨在开发出一个既能够满足实时处理需求，又能在实际应用场景中稳定运行的智能食物识别系统。该系统将广泛应用于食品行业、智能家居、健康...
xilinx vitis ai使用方法
05-20
Vitis AI 由优化的IP内核、工具、库、模型和示例设计组成，旨在提高效率并简化使用流程，让开发者能够充分利用Xilinx FPGA 和 ACAP 的潜力进行AI加速。 Vitis AI 的关键特性包括： 1. **广泛支持主流框架**：支持...
基于Yolov5与Vitis AI的食物识别：模型量化及系统搭建的技术解析
05-14
内容概要：本文详细介绍了基于Yolov5和Xilinx Vitis AI的食物识别技术，涵盖了模型量化、编译以及系统搭建的具体流程和技术细节。首先，文章阐述了Xilinx及其Vitis架构的特点和优势，特别是在深度学习领域的广泛应用...
matlab自动生成verilog代码-Vitis_Model_Composer:Xilinx模型编辑器和系统生成器设计示例
06-02
matlab自动生成verilog代码Vitis 模型作曲家 如何访问此存储库的内容？ 从 2020.2 版本开始，我们将在 GitHub 中存储和管理产品示例的子集。 这样，用户将始终可以访问最新和最新的示例。 您可以从此存储库或直接从该工具中获取示例。 点击这里了解更多！ :warning: 要在 GitHub 中查看旧版本工具的示例，请单击上方的“main”切换到与您的 Model Composer 版本相对应的分支 要获取示例并在 Model Composer 中探索它们，请使用以下三种方法之一： 直接从 Model Composer 下载示例 这是获取 Model Composer 最新示例的推荐方式。 在 MALTAB 命令窗口中键入“doc”。 在“补充软件”部分，单击“Xilinx Model Composer”，然后单击“Model Composer Examples”。 此方法将自动为您提供正确版本的示例。 克隆这个仓库 你可以直接在本地使用 git 来克隆这个仓库或者使用 . 克隆此存储库后，将分支切换到您拥有的 Model Composer 版本。 例如： git check
Vitis AI1.1 系列教程1 - 软件安装
linxiaobo110的专栏
05-19 6667
这里写自定义目录标题我的安装环境安装过程在VMware中安装ubuntu 16.04安装Vitis AI几个常见的docker指令 我的安装环境 windows 10 VMware 15.5 Vitis AI 1.1 ubuntu 16.04 安装过程 在VMware中安装ubuntu 16.04 添加虚拟机 选择下载的镜像 镜像可以在这里下载： http://mirrors.aliyun.com/ubuntu-releases/16.04/ 然后一直下一步即可完成安装，安装完成后会自
DPU-PYNQ使用笔记
u014798590的博客
11-14 4637
Ubuntu端 查看模型的结构 可以使用Ubuntu中的Netron软件查看模型结构（Summary） 量化（quantizing) 官方给出了量化的工作流程图，输入模型为浮点模型，其中预处理环节主要工作为折叠和删除无用节点，然后将模型的权重/偏差与激活 （weights/biases and activations）量化到给定的位宽。 To capture activation statistics and improve the accuracy of quantized models, the V
Vitis-AI量化编译YOLOv5（Pytorch框架）并部署ZCU104（一）（代码已开源）
m0_45287781的博客
11-20 1万+
Vitis-AI进行量化编译
Vitis AI 基本操作+VAI_Q_PYTORCH用法详解
hi94的博客
07-26 1671
本文分享了 vai_q_pytorch 的功能与应用，该工具是 Vitis AI Quantizer for PyTorch 的缩写，旨在优化深度学习模型，尤其是通过深度压缩技术提高模型的性能与效率。处理后的 IR 可以部署到多种平台，如深度学习处理单元（DPU）和 Xilinx AI 引擎，用户也可以将修改后的计算图重新整合回 PyTorch，以利用其强大的预处理、后处理和分布式系统功能。这一系列流程为深度学习模型的优化提供了高效、便捷的解决方案，助力提升模型在不同硬件平台上的运行效率与性能。
Vitis(06) DPU Configuration
abcxy2161的博客
08-21 892
本文对DPU的一些配置选项进行介绍
Xilinx Vitis AI量化部署Yolov5至DPU (PYNQ)
热门推荐
weixin_43192572的博客
06-20 1万+
本文章记述了从YOLOv5源代码使用Xilinx Vitis AI进行量化并部署到DPU上的全流程。在开Pynq环境下运行测试通过。
vitis ai输入的模型如何获得
03-30
好的，我现在需要帮助用户解决如何准备和获取适合Vitis AI的输入模型的问题。首先，用户提到了几个引用，我需要仔细看看这些引用内容，确保回答准确。 首先，引用[1]提到用户如果有类似Vitis AI支持的模型，并且...
评论 2
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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