簡介

本案例主要基于DPU-PYNQ來實現一個常見的手勢識別--石頭剪刀布，目的是讓大家了解如何使用DPU開發深度學習應用的整個流程。本案例分為三個部分：分別是PC模型訓練、VitisAI模型編譯、Edge模型部署三個部分。PC模型訓練是通過tensorflow對數據集進行分析訓練，得到需要的tf模型；VitisAI模型編譯是通過vitis ai工具鏈，對tf模型進行量化、編譯，轉換成dpu可以運行的模型；Edge模型部署是在U96上調度使用編譯好的模型。

Git倉庫：https://github.com/linxiaobo110/rps_u96.git

在PC上訓練NN模型

數據集

數據集使用的是谷歌發布的開源數據集：

https://www.tensorflow.org/datasets/catalog/rock_paper_scissors

訓練環境說明

議在有顯卡的環境下訓練，本教程使用的python環境所需的庫如下所示：

python 3.7

tensorflow 2.0

numpy

opencv

matplotlib

sklearn

在安裝好的python環境下，使用spyder或者命令行運行train.py：

python train.py

正常運行時會有以下輸出：

1、打印部分數據集圖片（注意觀察圖片是否正常），以及各種標簽的樣本數量：

2、打印訓練過程以及訓練精度的變化

在Vitis AI里編譯NN模型

把訓練好的模型通過vitis AI編譯后才可以在U96上運行。

1、把訓練好的模型拷貝到DpuCarU96的vitisAI目錄，同時需要把vitisAI/dataset_valid下的驗證集換成用戶自己的數據，至少50張圖片。

2、啟動vitis AI的docker，并把工程里的vitisAI目錄拷貝到docker虛擬機里。

./docker_run.sh xilinx/vitis-ai

3、在vitisAI的dockder里，激活tensorflow的環境：

conda activate vitis-ai-tensorflow

4、在vitisAI的dockder里，運行權值固化、權值量化、模型編譯等腳本可以得到以下輸出：

編譯完完的模型在./vitisAI/compile_results目錄下，里面的.elf文件是下一階段的教程所需要的。

在Utral96上調用NN模型

1、把倉庫拷貝到U96的jupyter_notebook目錄下，如果要使用用戶的模型，請把里面的.elf文件換成vitisAI教程里生成的elf文件。

2、在U96的終端上，把elf模型編譯程序共享庫：

sudo ./1.compile.sh

3、在U96的終端上，查看IP地址：

sudo ifconfig

4、在用戶PC上，打開瀏覽器，輸入IP地址，即可進入jupyter Notebook。

5、在用戶PC上，按照jupyterNotebook的提示逐步地運行程序，即可看到效果。

6、在用戶PC上，使用USB攝像頭的實時識別實驗。USB攝像頭需要連接在Ultral96上。