加州野火紧急通知系统

描述

项目概念

项目名称“Xiraffe”是“Xilinx”和“Giraffe”的组合。这个

简单来说，该项目的目标是建造一个“动物观测站”，使用安装在高处（长桅杆或树顶上）的稳定的、可平移的相机，从远处观察动物。长焦距（又名变焦）镜头，因此单个单元可以覆盖广阔的区域。野生动物生物学家可以使用这种设备来帮助研究动物习性、迁徙模式等。

同样的设备也可用于动物保护区等地方的动物保护主义者，以检测和防止非法动物偷猎。该设备可以安装在高处，有助于在广阔的区域内保持监视……就像长颈鹿一样！

在这篇文章中，我将尝试记录我尝试构建这种设备的过程。

背景

我使用 Xilinx FPGA 已有一段时间了，并且喜欢在各种项目中使用 Zynq-7000 SOC。我是 SOC 概念的忠实拥护者，过去曾在各种项目中为 Zynq FPGA 找到了一个好地方，尤其是在使用成像传感器时。然而，最近，我一直想探索拥有各种奇特功能的最新 Zynq Ultrascale 设备。这个项目似乎很适合这个。

董事会花了很长时间才到达我的手中，但它终于做到了。我自己使用 Xilinx 设备的经验主要是使用 Vivado 和 SDK，我的大部分设计都是基于裸机或 FreeRTOS，但没有基于 petalinux。由于在这个项目中我需要同时使用 VCU 和 DPU，我知道我必须涉足 linux 领域。这是一个相当长的学习曲线，所以我将尽可能详细地记录我的旅程。

套件

ZCU104 套件包括 ZCU104 板、电源、16GB SD 卡、USB3 集线器和 USB3 摄像头。一切都包装得很好。我需要开始的唯一其他东西是 HDMI 电缆、显示端口电缆和显示器。谢天谢地，我已经有了这些。

启程之旅...

由于在开始了解项目的细节之前有很多东西需要学习（硬件和软件方面），我开始了熟悉这个野兽的旅程，以及可用的工具。

第 1 步：启动威廉希尔官方网站 板并运行出厂映像：我按照套件随附手册中的说明进行操作。这包括一些外围测试以及通过查看 LED 来验证板上的各种电压。

第 2 步：尝试 PYNQ：我一直对 PYNQ 感到非常兴奋，因为通常 python 比 C/C++ 更容易尝试想法。

设置很简单，下载 ZCU104 的图像并按照http://www.pynq.io/上的说明进行操作

我登录到板子并浏览了所有提供的示例，这非常有趣。坦率地说，我希望 PYNQ 能够提供足够的“能力”，让我可以在项目中做我想做的所有事情，至少用于原型制作目的。但是，我很快意识到 PYNQ 不支持使用 DPU 或 VCU，而这两者都是我的项目所需要的。我试图在互联网上进行挖掘，并认为我需要相当多的技能才能在 PYNQ 中集成和使用这些功能，所以我暂时放弃了它，并且

顺便说一句，我最近在这里和这里遇到了一些不错的帖子，这些帖子展示了如何将 DPU 与 PYNQ 一起使用。我计划很快尝试一下。对于在 PYNQ 中使用 VPU，我还没有发现任何有用的东西。

第 3 步：尝试 USB3 相机 reVISION 堆栈示例：在尝试查找附带相机的一些信息时，我遇到了这个链接，并决定尝试 ZCU104 上的 reVISION 示例。我发现密集光流示例特别令人着迷，它给了我很好的动力，让我以后在板上尝试类似的东西。我还学习了一些关于在板上使用 gstreamer 管道的知识，这在以后也很有用。

第 4 步：安装 VITIS：此时我确信我需要走 VITIS 路线才能同时使用 DPU 和 VCU。因此，我开始遵循 Adam Taylor 在此链接上的出色指南（包括视频）。就我而言，由于我没有专用的 Linux PC，因此我在 VM 中安装了 VITIS（我使用了 VMware，但 VirtualBox 或其他应该可以正常工作）。

a) 一个*必须*使用兼容版本的 Ubuntu。我最初尝试使用 Ubuntu 18.04，但我遇到了意外错误，因此它无法在安装 Vitis 时继续前进。最后，我为 18.04.4 LTS 创建了一个新 VM，一切正常。

b) 创建 VM 时，请确保分配至少 120GB 空间，因为 Vitis 安装不会继续进行，除非它看到它认为需要的所有可用空间。我最初尝试将 100GB 分配给 VM，但它不会继续安装。就我而言，在虚拟机设置中增加分配的磁盘空间后，我使用 Linux 实用程序“GParted”将磁盘扩展至 150GB。后来我了解到，当您开始安装和使用其他赛灵思工具（XRT、petalinux、Vitis-AI 等）时，即使这还不够，我不得不多次调整驱动器的大小，直到 200GB。

在这一点上，我会推荐

第 5 步：跟随 Adam Taylor 的网络研讨会“使用 Vitis 构建加速应用程序”，可在此处获得。

当 QEMU 模拟器无法启动时，我最终遇到了一个小问题。仔细查看错误消息，我发现它无法识别关键字“netstat”，因此我在 Ubuntu OS 中打开了一个终端窗口并安装了 net-tools，之后它开始正常工作。

sudo apt-get install net-tools

请注意，本教程将指导您将 DPU 与您的自定义设计集成。此特定网络研讨会未涵盖此 DPU 在 Vitis-AI 中的使用。

第 6 步：Vitis 深度教程：我按照一些 Vitis 深度教程来熟悉 Vitis 中的一些新概念（我过去主要使用 SDK），并熟悉 AI事情的一面，我对此很陌生。这些教程是一个好的开始

https://github.com/Xilinx/Vitis-In-Depth-Tutorial

第 7 步：构建 IVAS TRD 设计：我遇到了 Xilinx 最近发布的 IVAS（智能视频分析系统）参考设计（此处），这似乎是我项目的一个很好的起点，因为它结合了 DPU 用于 AI 推理，如以及用于视频编码/解码的 VPU。

我花了几天时间成功地重新创建设计并运行 Facedetect + reid 演示，但最终我成功了并且对结果非常满意。该设计使用 gstreamer 运行演示，这有好有坏。很好，因为我经常使用 gstreamer，而不好，因为我觉得将我的应用程序构建为 gstreamer 过滤器（如演示中所做的那样）对于我目前的能力水平来说有点太多了。也就是说，我决定使用这个图像作为我的基础平台，并在它之上构建我的应用程序。

构建硬件

该项目的一个重要方面是，当您在非城市环境中工作时，您没有安装摄像机的刚性结构。因此，您可以使用，例如，使用“Guy-lines”吊起的一根长杆，或者可能是一根绑在该地区一棵较高树木的树干顶部的杆，以提供较高的有利位置，并能够观察更大的区域。无论哪种方式，您的相机安装架都会有些不稳定，因此视频输入不稳定......对于图像处理来说不是那么好。我决定通过将相机安装在 3 轴无刷万向节上来解决这个问题，并（最终）在 FPGA 中进行视频稳定以消除剩余的运动伪影。

无刷云台实际上应该有两个好处：1。在很大程度上稳定视频2。允许使用相同的电机来控制相机，因为我们需要在我们的系统中进行平移控制。

对于无刷云台部分，我买了一个便宜的 3 轴无刷云台框架，它配备了 3 个小电机。设计不是最好的，但我还不想在这部分项目上花费太多时间。

我研究了一个很好的无刷云台用于我的设计，并遇到了 Olliw 的“STorm32 BGC ” 。我订购了一个 V1.3 板开始使用，两周后我收到了。我先用 Gopro 试了一下，效果很好，而且很容易设置。我最初的计划是将 ARM Coretx-M3 代码移植到 FPGA 内部实例化的 ARM Cortex-M3 或 ZU7-EV 内部的 Cortex-R5。然而，令我沮丧的是，尽管这个特定云台板的硬件是开源的，但软件却不是。您可以随意使用已编译的二进制文件，但代码未打开。我有点失望，但我不得不继续前进。幸运的是，我发现这个云台允许通过 uart 接口控制位置，所以我决定改用它。

由于我需要一个长焦距（又名“变焦”）镜头，我拧下随附 USB3 相机上的 M12 镜头，并使用中间的 C-to-M12 适配器更换为 35mm C-mount 镜头（链接在项目物料清单）。这为我提供了一个非常狭窄的视野，以及更好的图像质量。

下一步是将它安装在我的无刷云台上。我设计并 3D 打印了一个支架，以便我可以将这款相机安装在我的无刷云台设置上。

我将固件上传到板上，并尝试校准云台。这是我的万向节设置遇到的主要障碍。我发现云台上的电机功率不足以支撑和移动相机+镜头。我可以通过在相机背面添加一些金属片和大量热胶（其中一些在上图中可见）来平衡情况，从而使情况变得更好。但是，一旦我将 USB-C 数据线连接到相机，云台就无法握住或移动相机太多。USB 电缆太重且太硬，无法让微弱的电机稳定并自由移动相机。在尝试了几件事后，我得出结论，我需要更大的无刷电机，并且还要打印自己更大的云台框架，以便能够更好地平衡和移动相机。

此时，由于剩余时间不足，我决定将这部分放在一边，直到我收到更大的电机，并更多地关注软件/FPGA方面的事情。

构建软件

在应用程序级别，我想要的视频处理管道如下：1。在 Scene.2 中检测运动。仅在具有运动的部分场景上运行 AI 识别。3。一旦检测到感兴趣的对象（动物、人或车辆 - 根据作业设置），使用万向节运动跟踪框架内和 3d 空间中的对象。4。text/xml/json 文件中的日志信息（时间戳、运动路径、计数等）。（可选）生成alerts.5。压缩 (H.264/H.265) 并将短视频剪辑保存到磁盘，或根据需要通过网络将实时视频流式传输到大本营。

在使用上述所有内容构建完整系统之前，我需要先制作原型并让各个部分正常工作。

场景中的运动检测：一旦将相机设置为朝某个方向看，使用图像差分检测场景中的运动，然后进行一些 IIR 滤波和斑点分析。我想在 AI 推理之前进入这个阶段有两个原因：

一个。通过不在每一帧上一直运行 DPU 来降低功耗。通过使用更大的输入图像来增加检测范围。图像差分和斑点分析的内存和处理能力要求要小得多，并且可以在全尺寸相机帧上完成。然后，人工智能只能在有运动的部件上运行，并适当缩放，以获得最大的检测性能。

通过用 Halcon 语言编写脚本，我在我的 PC 上对算法进行了原型设计和微调。代码可以在我的 github 页面上找到。请注意，我决定对前一个/参考图像使用 IIR 滤波器，因为它让我在运动检测和忽略较小的连续运动（如树叶因风而移动）之间取得了更好的折衷。该算法可以轻松转换为 OpenCV，然后可以使用Vitis Vision Library中的预构建函数将图像差分、腐蚀、膨胀等操作加速到 FPGA 内核中。

对象跟踪：对于框架内的对象跟踪，我使用这篇文章中的代码作为起点，并根据我的需要进行了修改。由于此代码在 opencv 中，因此可以直接在我的最终应用程序中使用。我的跟踪代码的最新版本可以在我的 github 页面上找到。

这是一个关于实际代码的简短视频。当他们在屋顶上散步时，我很高兴跟踪鸟类。

AI 检测：这让我进入了这个项目中最有趣的部分，也是需要最大学习曲线的部分。正如我之前在这篇文章的“入门”部分中提到的，到目前为止，我已经确定最好的选择是在IVAS 参考设计之上构建我的应用程序，因为它已经包含了 DPU 和 VPU（两者比赛规则要求的）。

我首先按照此页面上的构建步骤进行操作。在开始之前，我强烈建议您确保有足够的空间。例如，如果您在像我这样的虚拟机中运行主机 Ubuntu 操作系统，请确保为虚拟机分配至少 200GB 的空间。如果您拥有像我这样的普通 i7 机器，这将为您节省至少一天的等待时间。要增加磁盘空间分配，首先在 VM 设置中增加分配，然后启动操作系统并使用“GParted”实用程序让操作系统声明新分配的额外空间。

在我已经安装了 Vitis 工具的 Ubuntu 主机上，我首先在 home 下设置了新目录并克隆了完整的存储库。在新终端中：

cd ~
mkdir IVAS_TRD
cd IVAS_TRD
git clone --recurse-submodules https://github.com/Xilinx/Vitis-In-Depth-Tutorial
cd ~/IVAS_TRD/Vitis-In-Depth-Tutorial/Runtime_and_System_Optimization/Design_Tutorials/02-ivas-ml

源 Vitis 和 petalinux 脚本

source /tools/Xilinx/Vitis/2020.1/settings64.sh
source /tools/Xilinx/PetaLinux/2020.1/settings.sh

在进一步移动之前，我应用了与 rootfs 分区大小相关的推荐补丁

sudo cp vitis_patch/mkfsImage.sh ${XILINX_VITIS}/scripts/vitis/util

现在我们可以制作提供的zcu104_vcu平台

cd platform/dev/zcu104_vcu
make

这在我运行在 i7 机器上的普通虚拟机上花费了很长时间。我也用完了分配的空间，不得不重新开始，所以请确保不要重复错误。但是，最后，不知何故 BIF 文件没有被创建：错误：无法生成 BIF 文件，文件“/home/saadtiwana/IVAS_TRD/Vitis-In-Depth-Tutorial/Runtime_and_System_Optimization/Design_Tutorials/02-ivas-ml/平台/dev/zcu104_vcu/petalinux/project-spec/hw-description/xilinx_zcu104_vcu_202010_1.bit”不存在。Makefile:52：目标“bootimage”的配方失败

为了解决这个问题，我根据脚本手动复制了文件，这解决了我的问题并使我能够继续前进。

cp /home/$USER/IVAS_TRD/Vitis-In-Depth-Tutorial/Runtime_and_System_Optimization/Design_Tutorials/02-ivas-ml/platform/dev/zcu104_vcu/petalinux/components/plnx_workspace/device-tree/device-tree/xilinx_zcu104_vcu_202010_1.bit /home/$USER/IVAS_TRD/Vitis-In-Depth-Tutorial/Runtime_and_System_Optimization/Design_Tutorials/02-ivas-ml/platform/dev/zcu104_vcu/petalinux/project-spec/hw-description/

平台搭建成功后，解压安装sysroot

cd ../../repo/xilinx_zcu104_vcu_202010_1/sysroot
./sdk.sh -d `pwd` -y

现在，我们需要构建 Vitis 设计。首先，获取 XRT 设置脚本：

source /opt/xilinx/xrt/setup.sh

接下来，应用补丁（仅应用一次！）

cd ~/IVAS_TRD/Vitis-In-Depth-Tutorial/Runtime_and_System_Optimization/Design_Tutorials/02-ivas-ml
cd hw_src/Vitis_Libraries

patch -p1 < ../vision_lib_area_resize_ii_fix.patch

然后构建设计

cd ../..
cd hw_src
make

此时，我意识到我需要先安装 Vitis-AI 库，然后再继续。为此，我需要先安装 petalinux。对于 petalinux，我从这篇文章中获得了指导，并立即安装了它。

之后，我按照此页面上的说明安装了 Vitis-AI 。

制作安装目录

mkdir ~/petalinux_sdk

之后，下载安装脚本（sdk-2020.1.0.0.sh）并执行

./sdk-2020.1.0.0.sh

出现提示时，我按照页面上的说明提供了以下安装路径：~/petalinux_sdk

完成后，获取脚本

source ~/petalinux_sdk/environment-setup-aarch64-xilinx-linux

下载 Vitis-AI 压缩文件并解压

tar -xzvf vitis_ai_2020.1-r1.2.0.tar.gz -C ~/petalinux_sdk/sysroots/aarch64-xilinx-linux

在这个阶段，Vitis-AI 库已经建立。尽管 IVAS 设计不需要，但我继续执行页面上的其余说明以尝试示例。

现在，我需要安装 Vitis-AI docker 容器才能编译 densebox 和 reid 模型。要安装这些，我按照这里的简单步骤进行操作，没有任何问题（我使用了预构建的 docker 映像）。我还在这里找到了 Vitis-AI v1.2 的一些很好的资源，这些资源在接下来的几天里非常有用。

要下载 AI 模型，我从AI 模型动物园下载了模型

为了编译，我遵循了 Vitis-AI 指南。比如densebox模型，从model zoo下载模型，解压到~/Vitis-AI/AI-Model-Zoo/models/（其实也可以放到别的地方）。接下来，切换到 quantized/edge 目录

cd ~/Vitis-AI/AI-Model-Zoo/models/cf_densebox_wider_360_640_1.11G_1.2/quantized/Edge

现在，运行 docker 镜像，激活 conda 环境并编译模型

. ~/Vitis-AI/docker_run.sh xilinx/vitis-ai:latest

conda activate vitis-ai-caffe

vai_c_caffe --prototxt ./deploy.prototxt --caffemodel ./deploy.caffemodel --arch /opt/vitis_ai/compiler/arch/DPUCZDX8G/ZCU104/arch.json --output_dir compiled_model --net_name densebox_640_360

编译后的.elf 文件将位于“compiled_model 文件夹”下。请注意，我能够成功编译 tensorflow 模型，但对 Caffe 模型没有同样的运气。我在这里和这里寻求帮助。出于IVAS 的目的，Xilinx 工程师非常友好地为我提供了模型编译后的 elf 文件，以便我继续前进。

为此，我从一个全新的终端（赛灵思强烈推荐）开始，并获取了环境设置脚本

cd ~/IVAS_TRD/Vitis-In-Depth-Tutorial/Runtime_and_System_Optimization/Design_Tutorials/02-ivas-ml/platform/repo/xilinx_zcu104_vcu_202010_1/sysroot
source ./environment-setup-aarch64-xilinx-linux

接下来，我在适当的地方做了一个目录

cd ~/IVAS_TRD/Vitis-In-Depth-Tutorial/Runtime_and_System_Optimization/Design_Tutorials/02-ivas-ml/

mkdir ml_models

然后将两个elf文件复制到ml_models文件夹中。现在我需要做的就是运行最终的脚本来执行魔法并创建 SD 卡映像：

./go.sh

一旦完成而没有错误，我使用etcher将以下位置的图像刻录到sdcard：hw_src/sd_card_zcu104/sd_card.img

在此之后，我按照此处的最后几个步骤直到页面结束，并且最终能够运行示例应用程序。

我说“最终”是因为这对我来说并不顺利，事实上我花了整整 2 天的时间才弄清楚。最初我尝试运行应用程序，但屏幕上什么也没有显示。我开始进行故障排除并阅读。让 DisplayPort 输出正常工作的一个非常有用的资源是DP Linux 驱动程序页面，其中包含有关显示端口 DRM 驱动程序的大量信息。

我发现的一件事是我的显示器的分辨率为 2560x1440，要在屏幕上看到输出，发送到显示器的图像/视频必须是完全相同的分辨率。经过大量阅读和尝试不同的事情后，我找到了将分辨率设置为 1920x1080 的解决方法，但它也启动了测试模式生成器（42 是来自 modetest -m xlnx 的连接器的 id）

modetest -M xlnx -s 42:1920x1080@RG16 &

接下来，为了解决测试模式的问题，我将终端层的不透明度设置为零

modetest -M xlnx -w 39:alpha:0

这样做的副作用是终端层会消失，但这不是问题，因为无论如何我都是通过串行 uart 登录到板子的，并且对视频本身更感兴趣。现在，我可以成功运行 1920x1080 分辨率的输出，我使用以下 gstreamer 管道使用视频测试源对其进行了测试：

gst-launch-1.0 videotestsrc ! "video/x-raw, width=1920, height=1080" ! queue ! videoscale ! "video/x-raw, width=2560, height=1440" ! queue ! kmssink driver-name=xlnx sync=false

请注意，autovideosink 也适用于 kmssink 驱动程序

gst-launch-1.0 videotestsrc ! "video/x-raw, width=1920, height=1080, format=YUY2" ! queue ! autovideosink sync=false

在此之后，我设法从屏幕上显示的 USB3 摄像头获取实时视频：

gst-launch-1.0 v4l2src device=/dev/video0 ! "video/x-raw, width=1920, height=1080" ! videoconvert ! queue ! autovideosink

最后，我可以运行 IVAS 演示应用程序：

gst-launch-1.0 -v \
	filesrc location=/home/root/videos/dahua2.mp4 ! \
	qtdemux ! \
	h264parse ! \
	omxh264dec internal-entropy-buffers=3 !  \
	tee name=t0 t0.src_0 ! \
		queue ! \
		ivas_xm2m kconfig="/home/root/jsons/kernel_resize_bgr.json" ! \
		ivas_xfilter kernels-config="/home/root/jsons/kernel_densebox_640_360.json" ! \
		scalem0.sink_master ivas_xmetaaffixer name=scalem0 scalem0.src_master ! \
		fakesink \
	t0.src_1 ! \
		scalem0.sink_slave_0 scalem0.src_slave_0 ! \
		queue ! \
		ivas_xfilter kernels-config="/home/root/jsons/kernel_crop.json" ! \
		ivas_xfilter kernels-config="/home/root/jsons/kernel_reid.json" ! \
		ivas_xfilter kernels-config="/home/root/jsons/kernel_swbbox.json" ! \
		queue ! kmssink driver-name=xlnx sync=false

奖励：要使用任何管道显示 fps，您可以将最后一个元素更改为： fpsdisplaysink sync=false text-overlay=true fullscreen-overlay=1

例如，在以下管道中，我设法让相同的应用程序处理实时视频：

gst-launch-1.0 -v v4l2src device=/dev/video0 io-mode=dmabuf ! "video/x-raw, width=1920, height=1080" ! videoconvert ! video/x-raw,format=NV12 ! tee name=t0 \
	 t0.src_0 ! \
		queue ! \
		ivas_xm2m kconfig="/home/root/jsons/kernel_resize_bgr.json" ! \
		ivas_xfilter kernels-config="/home/root/jsons/kernel_densebox_640_360.json" ! \
		scalem0.sink_master ivas_xmetaaffixer name=scalem0 scalem0.src_master ! \
		fakesink \
	t0.src_1 ! \
		scalem0.sink_slave_0 scalem0.src_slave_0 ! \
		queue ! \
		ivas_xfilter kernels-config="/home/root/jsons/kernel_crop.json" ! \
		ivas_xfilter kernels-config="/home/root/jsons/kernel_reid.json" ! \
		ivas_xfilter kernels-config="/home/root/jsons/kernel_swbbox.json" ! \
		queue ! fpsdisplaysink video-sink="kmssink driver-name=xlnx" sync=false text-overlay=true

重要提示：对于所有管道，在使用 kmssink（xilinx DRM 驱动程序）时，确保最后一个元素的视频与显示器上设置的分辨率相同非常重要！

VideoCompression：此时，我使用 gstreamer 在 VPU 中的视频解码工作正常，并且还想尝试视频编码。这是我遇到障碍的地方。我已经在Xilinx william hill官网 上写过它。我需要进一步调查。

你可以用我能想到的最简单的编解码管道来试试

gst-launch-1.0 videotestsrc ! "video/x-raw, width=1920, height=1080" ! omxh264enc ! h264parse ! omxh264dec ! queue max-size-bytes=0 ! autovideosink

此时，我想知道如何将 VPU 集成到我的 C++/python 应用程序中，最终我想出了一个非常简单的方法：在我的应用程序中使用 gstreamer。

例如，要使用 VCU 解码 H.264/265 文件或 RTSP 流，请在 opencv 应用程序中使用以下管道（为清楚起见已简化）：

<压缩文件/流源> ! omxh264dec ！应用程序rc

要从应用程序中编码（压缩）视频帧，请使用以下（简化的）gstreamer 管道将它们发送到 VCU：

应用程序！omxh264enc !....

您可以通过查看此处的代码以及我的项目 github页面上的 C++ 文件来了解更多信息。希望能帮助到你！

把这一切放在一起

现在我已经弄清楚并测试了所有的组成部分，并且距离提交截止日期还有几天，我开始将这些部分放在一起。

我制定了一个构建我的应用程序的计划，如下所示：- 在 python 中构建主应用程序，在 IVAS 参考设计图像之上运行- 使用带有“appsink”元素的 gstreamer 管道将视频带入 OpenCV 域。这样，视频可以在来自摄像机的实时视频<或>来自文件或 RTSP 流的压缩视频之间快速切换，由 VPU 解码（使用 gstreamer 管道中的 omxh264dec 元素）。- 在 opencv-python 中预处理视频帧- 使用与 DPU 对话的 Vitis-AI python 绑定——对数据和视频帧进行后处理。使用opencv生成覆盖图形-使用gstreamer管道使用“appsink”元素显示带有覆盖图形的帧，并使用“kmssink”元素发送到displayPort。-此外，使用gstreamer“tee” 管道中的元素使用“omxh264enc”元素将此最终图像发送到 VPU，并作为 RTSP 流发送到 UDP 接收器。尽管在这方面我的编码器驱动程序出现了问题，如前所述，并且在这里。

由于 IVAS 示例纯粹是在 gstreamer 中，DPU 处理部分也构建为 gstreamer 管道，这对我来说不是很有用。我通过查看 C++ 示例开始在 python 中编写我的应用程序，这花了我很多时间，而且我在后处理 DPU 数据方面遇到了很多问题（您必须执行几个操作来确定边界框的位置，例如例子）。值得庆幸的是，我在Avnet 的 Mario Bergeron 上找到了一个类似的优秀示例。由于后处理（确定边界框的位置）是相同的，我使用了他的代码作为起点并将其修改为使用 gstreamer 输入，使用为 zcu104 编译的密集盒模型进行处理，并使用 gstreamer 输出到 displayport。很高兴终于可以正常工作，如下面的视频剪辑所示：

请注意，在此视频中，我通过 gstreamer 管道使用来自摄像机的实时视频。相机安装了 35 毫米镜头，指向我的手机屏幕，播放来自 YouTube 的随机视频，里面有人物。运行的代码和说明可以在我的 github 链接上找到。

进入下一步，因为我实际上需要一个对象检测器而不是人脸检测器，所以我开始修改代码以使用 SSD 对象检测器。尝试运行代码时，我的应用程序会挂起（并超时）等待 DPU。最初我怀疑我的应用程序存在问题，因此我查看了示例以使用相同的对象检测器找到合适的示例。我从 Xilinx 找到了一个使用相同 SSD 模型的 VART 示例，尽管它是用 C++ 编写的。原始代码使用原始（webm）文件进行输入，因此我将其修改为使用 gstreamer 输入和输出，如源代码文件开头所示：

VideoCapture cap("v4l2src device=/dev/video0 io-mode=dmabuf ! video/x-raw, width=1920, height=1080, format=UYVY ! videoconvert ! appsink", CAP_GSTREAMER);

VideoWriter writer("appsrc ! queue ! autovideosink sync=false",
		0,		// fourcc 
		30,		// fps
		Size(1920, 1080), 
		true);	// isColor

我首先使用运行良好的 gstreamer 管道测试了我的输入和输出，然后开始修改其余代码以使用 gstreamer 数据而不是视频帧中的帧。然而此时，在编译并运行应用程序后，我发现它也在等待 DPU 响应。在william hill官网 搜索之后，我能想到的唯一可能的问题是，我使用的 model.elf 文件可能是针对与我的 IVAS 设计的 DPU 不同的 DPU 架构编译的。所以我开始从模型动物园下载模型并尝试在我的主机上重新编译它。这也是我之前在使用 Caffee 模型时遇到的一些问题的地方。我已经发布了在william hill官网 上寻求帮助并等待回复。考虑到那里可能存在版本控制问题，我尝试运行量化，但也遇到了一些问题，我主要归咎于我目前使用 AI 模型的有限经验。我修改后的代码可以在我的 github页面上找到。

距离提交截止日期还有一天，我决定在这里暂停一下，并在 hackster 上完成项目进度的记录。

未来的计划

由于我的想法与一个实际项目有关，我希望继续努力，希望也能在其他项目中重用这些知识。一些要点：
- 通过模型编译和测试完整系统来解决问题。
- 更深入地研究 AI 模型的技术细节，尤其是在后处理方面
- 在动物身上训练我自己的模型，甚至可能在旅行恢复后获取我自己的一些数据。
- 在 PL 中实现视频加速内核（图像大小调整、DPU 预处理等），以实现更快的端到端加速 - 在 FPGA 端进行视频稳定，以增强云台稳定并获得最流畅的视频输出。

最后的想法

在开始这个项目时，考虑到 FPGA 项目通常的学习曲线，我已经意识到时间会很紧。我尝试逐步构建，将项目划分为更小的逻辑模块，并在此过程中进行原型设计和学习。尽管最终在达到所有目标之前已经没有时间了，但我对自己取得的进步感到满意。时间限制也帮助我以比通常的“探索”速度更快的速度学习事物。它还帮助我在嵌入式领域学到了很多新东西，并帮助我确定了我未来需要投入更多时间的领域（例如，人工智能）。感谢 Hackster 和 Xilinx 提供这次学习机会。这确实是一次很棒的经历。