相信大部分人都聽過近幾年大火的絕地求生游戲（吃雞）里“落地成盒”的梗，形象、不失風趣，一度成為網絡流行語，但是，這是貶義。而邊緣AI計算盒子FZ5“落地成盒”的故事又是另一回事了。

在幾個月前，筆者有幸試玩過米爾科技與百度合作推出的一款深度學習計算卡FZ3，有興趣的可以點擊看看，是一款基于賽靈思SoC設計的極高性價比AI開發板，與百度大腦工具平臺（飛漿AI框架）的無縫兼容更是大大降低了AI應用門檻，但是，事情顯然沒有到此為止，現在FZ5來了。

FZ5剛到手上的時候還是比較讓人激動的，不過讓人詫異的是FZ5真是出師不利，FZ5規格書上面標示的功能接口（5,6）是錯誤的，雖然不影響實際使用，但是這種低級錯誤不該啊。（電路城已將問題反饋給米爾科技，米爾反應很快，告訴我們將糾正相關資料，重新印刷）

FZ5邊緣AI計算盒子

言歸正傳，FZ5，看名字就知道是FZ3的傳承和升級，再進一步的話可以細分為FZ5C以及FZ5D。兩者在主要功能上沒什么差異，C為4GB運存，而D為8GB運存，我拿到的是C版本，價格3499元，D版本在此基礎上加400元。

FZ5摒棄了米爾科技傳統的包裝風格，可能盒子不像板子，是太厚了（笑哭）？內部配件：一個AI BOX包含MicroSD卡（FZ5C邊緣AI計算盒子），一根MicroUSB線，一份說明書，一個12V的電源適配器包含4種插頭。

FZ5完全看不到板子，真正切切一個“黑盒”的模樣。實物外觀如下圖所示。

外部功能接口示意圖如下。

非常硬核的接口配置，4個USB3.0口，值得注意的是，這里的HDMI是輸入源接口，而不是作為輸出的，視頻輸出接口是miniDP，這些接口在傳統的開發板上是并不常見的，可能這是今后AI開發板與傳統嵌入式開發板的一個分水嶺。FZ5具體的硬件框圖如下。

“黑盒”核心，全能SoC XCZU5EV

AI BOX FZ5雖然只一個成人巴掌大小的尺寸，但是擁有專業的AI應用潛力。核心采用賽靈思Zynq UltraScale + MPSoC SoC XCZU5EV系列產品，記得FZ3采用的是XCZU3EG系列，從這點上也可大致推斷，FZ3，FZ5的命名有參考產品核心SoC的選型。

XCZU5EV完整規格型號為XCZU5EV-SFVC784，集成了 ARM 四核 Cortex-A53（PS），雙核 Cortex-R5（PS），Mali-400 MP2 圖形處理單元和Kintex Ultrascale + FPGA（PL）。四核 Cortex-A53 具有強大的計算能力，雙核 Cortex-R5 可用于實時處理應用，Mali-400 MP2 可用于加速圖形處理，VCU 可用于硬件視頻編解碼加速應用，而 FPGA 具有完全可編程性。簡直就是一個全能選手，配合豐富且常用的接口以及可擴展接口，可適應各種應用場景。

上手體驗

說那么說，實際上手體驗又是如何呢？

相比FZ3開發板類型，FZ5的黑盒裝無論是攜帶還是實際操作更加方便了，尤其加上出廠燒錄的MicroSD鏡像，讓你真正體驗什么叫開箱即用。

根據你實際的外設可以選擇不同的調試方式，比如USB轉串口，SSH，或者外接顯示器，可能只有外接顯示器比較麻煩，這里的輸出顯示是miniDP接口。而采用USB轉串口工具是最為方便的，真正的開箱即用。

但是USB轉串口調試對應設備的控制臺，在進行一般調試時可能會有冗余的打印信息，并且初次使用的話還需要安裝串口驅動 CP210x_Windows_Drivers。所以建議用戶使用網口調試，FZ5默認的IP是192.168.1.254，所以網口調試需將計算機的IP段設置為192.168.1.x

無論是USB轉串口調試，還是網口調試，FZ5在啟動后都要求用戶輸入login和password，即root & root，輸入成功，即可登錄設備系統。

FZ5 出廠搭載了Linux系統，開發者可以基于Linux系統進行應用程序進行開發，系統中也有自帶的深度學習預裝環境以及為模型推理的例程，用戶也可以直接使用。

主要調用流程：1.應用程序獲取視頻輸入->2.調用預測庫加載模型->3.調度模型和底層驅動加速模塊進行計算->4.獲得運行結果。

下面就來看看實際的體驗如何。

分類模型示例

讀取一張本地圖片，調用模型進行推理，并輸出結果。

考慮到簡單通用性，該示例從json文件中讀取模型和圖片信息，加載并執行。執行時需要指定相應的配置文件。而配置文件其實是大同小異，我們可以看下Inceptionv2神經網絡模型的配置文件示例，以此為例。

其中各個參數的含義如下表所示。

因為FZ5上具有編譯能力，所以這里實際演示一下，進入到sample/classification示例的build目錄下進行編譯，如下如所示是已經編譯過的結果。

編譯結束后會在build 目錄生成如下幾個文件。

image_classify 為讀取本地圖片推理示例，運行./image_classify ../configs/resnet50/drink.json執行結果如下。

而video_classify 則是讀取攝像頭數據進行推理，需要連接攝像頭，這里是使用USB攝像頭，這個還好，但是，非常可惜的是官方沒有配miniDP轉接口，因此就沒法連接顯示器，因此下面的demo演示只能看看系統打印的log。

運行./video_classify ../configs/resnet50/drink.json

執行結果如下。

目標檢測示例

和分類不同，物體檢測除了能知道物體的類型，還能檢測出物體所在的位置坐標。物體檢測也分了兩個示例，一個是在圖片上檢測物體，并繪制出坐標信息。還有通過攝像頭采集視頻，檢測在屏幕上繪制坐標信息。

同樣image_classify 讀取本地圖片推理示例。

運行./image_detection ../configs/vgg-ssd/screw.json

video_classify 則是讀取攝像頭數據進行推理。不過這里由于沒有外接顯示器而無法顯示。

不過，值得一提的是，針對一些需要將HDMI作為視頻源輸入接口的工業應用場景，FZ5提供了一路HDMI IN接口支持，系統以及軟硬件均做了相關適配，可以直接使用，非常人性化。

此外，FZ5的軟核仍在持續升級中，性能也將同步提升。相同網絡結構不同版本對算力要求不同，如有具體項目應用，也可聯系米爾科技官方申請定制優化。同樣，FZ5也可以像FZ3一樣運行EasyDL平臺模型預測示例，與FZ3也是異曲同工之妙，差別在于FZ5具有不同的接口和更高的性能，本文就要不再贅述，如有需要可以查看先前FZ3的評測。

小結

從面向評估研發階段的計算卡到面向批量化AI項目落地的高可靠性AI BOX，FZ3到FZ5完成“落地成盒”的蛻變，而它想傳達給你的就是：你只需要專注于你的應用，將AI加速的事交給邊緣AI計算盒子FZ5就是了。

原創聲明:本文系電路城原創測評，如需轉載請注明來源出處！

相關方案推薦

標題：基于NXP QorIQLS1046A的邊緣計算之人臉識別方案

方案簡介：

預計2020年智能設備的出貨量將會超過400億臺，隨著越來越多的智能設備出現，從數據的獲取到數據的處理到深度學習，必須要在信息當中進行挖掘。信息爆炸，設備不堪重負，邊緣計算應運而生。而未來數據的產生速度會逐步超過存儲能力。他指出在未來的5-10年，邊緣計算比數據中心的統一計算更為重要。

邊緣計算將改變物聯網(IoT)，就像云計算改變企業IT一樣。我們創建安全、高度可編程和靈活的計算系統來增強人工智能(AI)和機器學習(ML)，有助于開創本地AI的時代，而邊緣節點不僅智能，且訓練有素，知曉它們的環境和狀況，使其能夠脫機或采用有限的云連接。

恩智浦平臺提供硬件和軟件級別的安全邊緣計算，提供基本技術，支持低功耗、低延遲、高吞吐量的解決方案，以實現更高的效率、便利性、隱私性和安全性。

方案規格

處理器：4個32/64位ARM(R) Cortex(R)V8 A72 CPU，高達1.6 GHz內核速度

存儲器：
· 支持8 GB DDR4 SDRAM存儲器

· 支持雙位錯誤檢測和單位糾錯的ECC(64位數據的8位檢查字)

· 支持高達2100 MT/s的數據傳輸速率

· 提供一個288引腳的DDR4 DIMM連接器

· DIMM連接器支持無緩沖的X72 8 GB雙排

· SDHC端口與適配器卡槽直接連接，配備4 GB eMMC存儲器器件

·1個512 MB SLC NAND閃存，帶ECC支持(1.8 V)

· CPLD連接：CPLD中8位寄存器可配置復用器/解復用器選擇

· 支持兩個64 MB板載QSPI NOR Flash存儲器

USB：

· 兩個USB 3.0控制器，帶有集成PHY

· 1個USB1 3.0端口可連接到A型主設備連接器

· 1個USB1 3.0端口可配置為帶Micro-AB接頭的OTG

· 1個USB2.0可連接miniPCIe接口

以太網：
· 支持通道2和通道3的SGMII 1G PHY

· 支持帶XFI重定時器的SFP+模塊

· 支持AQR106/107 10G PHY與XFI/2.5G SGMII

PCI Express和SATA：

· PCIe express x1 (Gen1/2/3)迷你卡
· PCIe x1 (Gen1/2/3)標準卡
· PCIe x1 (Gen1/2/3)標準卡
· 1個SATA 3.0連接器

責任編輯：xj

原文標題：米爾邊緣AI計算盒子FZ5體驗評測：一款極高性價比AI開發板

文章出處：【微信公眾號：電路設計技能】歡迎添加關注！文章轉載請注明出處。