ASCEND 310B 问题汇总-SPI可配置速率

于 2025-02-25 10:59:06 发布
阅读量380 收藏 3
点赞数 6
文章标签： fpga开发 c++ c语言 ASCEND 310b
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/fei534358549/article/details/145847278
版权

因内核驱动限制，310b的spi总线速率可配置如下：

max_speed_hz:100000 is valid
max_speed_hz:120000 is valid
max_speed_hz:125000 is valid
max_speed_hz:150000 is valid
max_speed_hz:156250 is valid
max_speed_hz:187500 is valid
max_speed_hz:200000 is valid
max_speed_hz:234375 is valid
max_speed_hz:250000 is valid
max_speed_hz:300000 is valid
max_speed_hz:312500 is valid
max_speed_hz:375000 is valid
max_speed_hz:390625 is valid
max_speed_hz:468750 is valid
max_speed_hz:500000 is valid
max_speed_hz:600000 is valid
max_speed_hz:625000 is valid
max_speed_hz:750000 is valid
max_speed_hz:781250 is valid
max_speed_hz:937500 is valid
max_speed_hz:1000000 is valid
max_speed_hz:1171875 is valid
max_speed_hz:1250000 is valid
max_speed_hz:1500000 is valid
max_speed_hz:1562500 is valid
max_speed_hz:1875000 is valid
max_speed_hz:2343750 is valid
max_speed_hz:2500000 is valid
max_speed_hz:3000000 is valid
max_speed_hz:3125000 is valid
max_speed_hz:3750000 is valid
max_speed_hz:4687500 is valid
max_speed_hz:5000000 is valid
max_speed_hz:6250000 is valid
max_speed_hz:7500000 is valid
max_speed_hz:9375000 is valid
max_speed_hz:12500000 is valid
max_speed_hz:15000000 is valid
max_speed_hz:18750000 is valid
max_speed_hz:24000000 is valid

其他速率配置进去后会失败，无法访问spi外设。切记

Keith-Yang
关注
文章一：华为晟腾310b的Atlas 200I A2加速模块进行视频的AI分析，硬件使用的是Oringepi alpro（推荐环境安装）
pvmsmfchcs的博客
05-28 1082
Version”字段值表示NPU固件版本。本文中的NPU版本号表示NPU驱动版本。NPU ID表示设备编号，可通过npu-smi info。NPU驱动和固件版本可通过npu-smi info -t board -i NPU ID命令查询。回显信息中的“Software。mxVision使用依赖npu-driver驱动包、npu-firmware固件包和CANN开发套件包。Version”字段值表示NPU驱动版本，“Firmware。主要还是参考官方的安装步骤，
OrangePi AIpro开发板，使用了310B，昇腾310B较于昇腾310有何性能提升？
pvmsmfchcs的博客
05-28 3025
他们对应的模组分别是：Atlas 200 AI和Atlas 200I A2。310B：基本规格 - Atlas 200I A2 加速模块。310：基本规格 - Atlas 200 AI加速模块。OrangePi AIpro开发板。
借助于Ascend310 AI处理器完成深度学习算法部署任务，
09-21
应用背景为变电站电力巡检，基于YOLO v4算法模型对常见电力巡检目标进行检测，并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务，并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域，它基于人工神经网络的研究，特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征，这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分： 1. **神经网络（Neural Networks）**：深度学习的基础是人工神经网络，它是由多个层组成的网络结构，包括输入层、隐藏层和输出层。每个层由多个神经元组成，神经元之间通过权重连接。 2. **前馈神经网络（Feedforward Neural Networks）**：这是最常见的神经网络类型，信息从输入层流向隐藏层，最终到达输出层。 3. **卷积神经网络（Convolutional Neural Networks, CNNs）**：这种网络特别适合处理具有网格结构的数据，如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络（Recurrent Neural Networks, RNNs）**：这种网络能够处理序列数据，如时间序列或自然语言，因为它们具有记忆功能，能够捕捉数据中的时间依赖性。 5. **长短期记忆网络（Long Short-Term Memory, LSTM）**：LSTM 是一种特殊的 RNN，它能够学习长期依赖关系，非常适合复杂的序列预测任务。 6. **生成对抗网络（Generative Adversarial Networks, GANs）**：由两个网络组成，一个生成器和一个判别器，它们相互竞争，生成器生成数据，判别器评估数据的真实性。 7. **深度学习框架**：如 TensorFlow、Keras、PyTorch 等，这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数（Activation Functions）**：如 ReLU、Sigmoid、Tanh 等，它们在神经网络中用于添加非线性，使得网络能够学习复杂的函数。 9. **损失函数（Loss Functions）**：用于评估模型的预测与真实值之间的差异，常见的损失函数包括均方误差（MSE）、交叉熵（Cross-Entropy）等。 10. **优化算法（Optimization Algorithms）**：如梯度下降（Gradient Descent）、随机梯度下降（SGD）、Adam 等，用于更新网络权重，以最小化损失函数。 11. **正则化（Regularization）**：技术如 Dropout、L1/L2 正则化等，用于防止模型过拟合。 12. **迁移学习（Transfer Learning）**：利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就，但它也面临着一些挑战，如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
【环境部署系列 07】Ascend 310B（推理）Atlas 500 A2小站环境部署
Ascend的博客
07-28 4571
Atlas 500 A2小站，整体推理算力与上一代持平，CPU强于上一代，由4个TAISHANV200M处理器核组成；视频编解码能力，远优于上一代：支持H.264/H.265 Decoder硬件解码，40路1080P支持H.264/H.265 Encoder硬件编码，20路1080P。
基于香橙派昇腾310B的Ascend C算子开发学习笔记
weixin_43319948的博客
07-17 1559
基于香橙派昇腾310B的Ascend C算子开发学习笔记
解密昇腾AI处理器--Ascend310简介
maopig的专栏
03-17 9969
Ascend310 AI处理器规格 Ascend310 AI处理器逻辑架构 昇腾AI处理器本质上是一个片上系统（System on Chip，SoC），主要可以应用在和图像、视频、语音、文字处理相关的应用场景。其主要的架构组成部件包括特制的计算单元、大容量的存储单元和相应的控制单元。该芯片大致可以划为：芯片系统控制CPU（Control CPU），AI计算引擎（包括AI Core和AI CPU），多层级的片上系统缓存（Cache）或缓冲区（Buffer），数字视觉预处理模块（Digital...
全爱科技Atlas-Pi AI开发套件产品规格
QuanAikj2018的博客
12-22 2318
Atlas-Pi开发者套件用于帮助开发者完成全功能、多形态的AI应用开发与设计评估，最大可提供20TOPS INT8的计算能力。Atlas-Pi开发者套件可以实现语音、图像与视频等多种数据分析与推理计算，可广泛用于智能监控、机器人、无人机、视频服务器等场景。Atlas 200I A2 加速模块集成了昇腾A310B AI处理器（Ascend 310B AI处理器），是面向边缘场景的AI加速模块。开发者套件上搭载的Atlas 200I A2 加速模块与独立销售的模块版本相同，可用于商用环境。
澎湃算力 玩转AI 华为昇腾AI开发板——香橙派OriengePi AiPro边缘计算案例评测
dele
07-19 3236
澎湃算力 玩转AI 华为昇腾AI开发板——香橙派OriengePi AiPro边缘计算案例评测
AI芯片：华为昇腾（ASCEND）310结构分析
evolone的专栏
05-18 2万+
华为的麒麟SOC中使用的是寒武纪的AI芯片模块。 但是，华为自己也推出了自有的AI芯片架构。 本文根据华为公布的信息，简单分析下其结构。 所有信息都来自互联网，来自华为的官方信息。 感谢华为的分享！！ 首先看看，华为发布的一张海报，如下图所示。 整体采用华为自研的达芬奇架构，采用高性能的3D Cube计算引擎。 因为兴趣及工作领域的因素，我更关注其芯片内部的AI 卷积核的设计。 从海报中能够看出...
【转】一张图详解华为昇腾310 AI芯片：自研达芬奇架构 算力和能效比大幅提升
Weixin20210210
04-22 1万+
转自：http://www.twoeggz.com/news/11598502.html 10月10日，华为在全联接大会2018上，首次宣布了华为的AI战略以及全栈解决方案。与此同时，华为发布了自研云端AI芯片“昇腾（Ascend ）”系列，基于达芬奇架构，首批推出7nm的昇腾910以及12nm的昇腾310。 其中，昇腾910是目前单芯片计算密度最大的芯片，计算力远超谷歌和英伟达。昇腾910半...
板级适配SATA SSD，非NVME普配
william_myq的博客
07-02 392
【代码】板级适配SATA SSD，非NVME普配。
spi应用层写法
wang714818的博客
09-03 1万+
1.1     重要的数据结构 1．  spi_device 虽然用户空间不需要直接用到spi_device结构体，但是这个结构体和用户空间的程序有密切的关系，理解它的成员有助于理解SPI设备节点的IOCTL命令，所以首先来介绍它。 在内核中，每个spi_device代表一个物理的SPI设备。它的成员如程序清单 1.1所示。 程序清单 1.1 spi_device [cp
LINUX 系统SPI 标准接口 应用开发
YL_boy的博客
11-04 3548
LINUX 系统SPI 标准接口 应用开发 Linux系统中，和I2C一样，SPI也有系统自带的设备驱动程序，位于源码目录下drivers/spi/spidev.c，以下为驱动的移植和对应应用程序编写方法 驱动代码移植 要将此设备驱动加入到内核中，要做两件事情 第一：将此驱动编译进内核 步骤：make menuconfig Device Drivers -> <*>SPI support -> <*>User mod
Linux spi驱动分析(一)----总线驱动
辉辉308
03-18 3621
本文讲述了一款芯片的SPI总线驱动，在驱动中，使用了queue和taslet机制来实现多message和多transfer的传输。 本文作为SPI的第一篇文章，后面会继续讲述spi核心，spidev和SPI设备驱动等。
linux下spi有哪些函数,Linux spi驱动分析(一)
weixin_31448343的博客
05-03 929
一、SPI总线驱动介绍SPI总线总共需要四根线，包括MOSI、MISO、CLK和CS。本文首先从SPI设备注册开始来讲述SPI总线驱动。二、设备注册在系统启动的时候，会按照顺序执行一些初始化程序，比如device_initcall和module_init等宏。这些宏是按照顺序执行的，比如device_initcall的优先级高于module_init，现在我们看下在系统启动的时候注册的spi设备信...
用户空间的spi驱动
热门推荐
yuanlulu的博客
04-13 2万+
============================================ 作者：yuanlulu http://blog.youkuaiyun.com/yuanlulu 版权没有，但是转载请保留此段声明 ============================================ 1.1     重要的数据结构 1．  spi_device 虽然用户空
linux下spi有哪些函数,linux下怎么快速的使用 SPI 驱动。
weixin_36256917的博客
05-03 341
ek_spi_devices 数组就在本文件内。/** SPI devices.*/static struct spi_board_info ek_spi_devices[] = {#if !(defined(CONFIG_MMC_ATMELMCI) || defined(CONFIG_MMC_AT91)){/* DataFlash chip */.modalias= "mtd_dataflash...
(yolo8n) wuzijian@orangepiaipro-20t:~/ultralytics-main/weights$ atc --framework=5 --model=yolov8n.onnx --input_format=NCHW --output=yolov8n_huawei --input_shape="images:1,3,1280,1280" --soc_version=Ascend310B1 atc: invalid option -- '-' atc: invalid option -- '-' atc: invalid option -- 'm' atc: invalid option -- 'o' atc: invalid option -- 'd' atc: invalid option -- 'e' atc: invalid option -- '=' atc: invalid option -- 'y' atc: invalid option -- 'o' atc: invalid option -- 'o' atc: invalid option -- 'v' atc: invalid option -- '8' atc: invalid option -- 'n' atc: invalid option -- '.' atc: invalid option -- 'o' atc: invalid option -- 'n' atc: invalid option -- 'n' atc: invalid option -- 'x' atc: invalid option -- '-' atc: invalid option -- 'i' atc: invalid option -- 'n' atc: invalid option -- '_' atc: invalid option -- '-' atc: invalid option -- 'o' atc: invalid option -- '=' atc: invalid option -- 'y' atc: invalid option -- 'o' atc: invalid option -- 'o' atc: invalid option -- 'v' atc: invalid option -- '8' atc: invalid option -- 'n' atc: invalid option -- '_' atc: invalid option -- 'h' atc: invalid option -- 'a' atc: invalid option -- 'w' atc: invalid option -- 'e' atc: invalid option -- 'i' atc: invalid option -- '-' atc: invalid option -- 'i' atc: invalid option -- 'n' atc: invalid option -- '_' atc: invalid option -- 'h' atc: invalid option -- 'a' atc: invalid option -- 'e' atc: invalid option -- '=' atc: invalid option -- 'i' atc: invalid option -- 'm' atc: invalid option -- 'a' atc: invalid option -- '-' atc: invalid option -- 'o' atc: invalid option -- 'c' atc: invalid option -- '_' atc: invalid option -- 'v' atc: invalid option -- 'e' Usage: atc -[u?lstp] [-[gf] game_name] [-r random seed] #: name host game time real time planes safe ------------------------------------------------------------------------------- 1: wuzijian orangepiaipro-20t default 6 :25 0 available games: default easy crossover K
最新发布
03-10
### 解决ATC命令行工具转换YOLOv8n模型时遇到的无效选项问题 当尝试使用`atc`命令行工具将YOLOv8n ONNX模型转换为Ascend310B1平台支持的OM格式时，如果遇到多个`invalid option`错误，这通常意味着使用的命令参数不被识别或者存在拼写错误。为了确保成功转换，建议遵循以下指导原则： #### 正确配置环境并验证输入模型 确保已经按照官方文档完成了CANN环境的安装，并且可以正常运行ATC工具[^4]。 #### 使用正确的命令语法 根据提供的信息，在执行转换操作之前应当仔细核对所使用的命令及其参数是否符合要求。对于YOLOv8n这样的特定网络结构来说，可能需要注意一些特殊的设置项。下面是一个推荐的基础命令模板用于ONNX至OM的转换过程： ```bash bash common/util/atc.sh --model=<path_to_yolov8n.onnx> \ --framework=5 \ # 表明这是来自PyTorch/ONNX的模型 --output=<output_path_without_extension> \ --soc_version=Ascend310P1 \ --input_format=NCHW \ --input_fp16_nodes="data" \ --enable_small_channel=1 \ --insert_op_conf=<optional_config_file> ``` 请注意上述命令中的几个关键点： - `--model`: 指定待转换的`.onnx`文件路径。 - `--framework`: 设置为`5`表示这是一个来源于ONNX框架的模型。 - `--output`: 输出目录加上期望的名字（不需要扩展名），例如`./outputs/yolov8n`. - `--soc_version`: 应该匹配目标硬件的具体型号；这里假设是Ascend310P1而不是题目提到的Ascend310B1，请依据实际情况调整。 - `--input_format`, `--input_fp16_nodes`, 和其他类似的选项应该基于具体的应用场景来决定，有时这些不是必需的。 考虑到不同版本之间的差异可能导致兼容性问题，导出ONNX模型时应特别关注opset版本的选择。过高或过低都可能导致后续处理出现问题。文中提及到`export`函数里的`opset=11`可能是较为合适的起点[^3]。 此外，关于Ultralytics YOLO系列模型的表现，确实有报告指出直接从其官方渠道获取的预训练权重在某些情况下表现不佳。因此，除了检查ATC命令外，也值得重新审视原始ONNX模型的质量和适用性[^2]。 最后提醒一点，由于软件更新频繁，最好查阅最新的官方指南和技术论坛帖子以获得最准确的帮助和支持。
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
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