邊緣計算、人工智能(néng)是電子信息領域的研究和應用熱點，使用龍芯2K1000配合松科智能(néng)國産神經網絡加速棒，可以實現在嵌入式邊緣計算領域的AI算力支撐。

開發教程

▶ 環境搭建

1. 設備準備

龍芯2K1000設備采用了龍芯教育派作爲主控硬件平台，實現用戶端配置功能(néng)龍芯教育派是基于龍芯2K1000處理器的軟硬件全開源教育産品。

詳情可訪問 http://www.loongnix.cn/index.php/%E9%BE%99%E8%8A%AF%E6%95%99%E8%82%B2%E6%B4%BE

功能(néng)	描述
CPU	龍芯2K1000處理器
内存	闆載2GB DDR3，主頻400Mhz
BIOS	32Mb SPI FLASH
GPIO	2.54mm間距22路GPIO雙排插針
網絡	1個千兆自協商網口(标準RJ45)
USB	2路USB2.0,2路USB3.0
EJTAG	1個EJTAG調試接口(預留)
接口	2路CAN接口，4路串口(LVTTL*3，RS232*1)，4路PWM，2路I2C，1路SPI(2個片選)
顯示和音頻接口	1路HDMI(TYPE A接口) br 1路3.5mm國際的音頻輸入/輸出接口
外存	M.2接口 16GB SSD硬盤
電源	5V，至少2A，TYPE C接口
按鍵	一個硬件複位按鍵
尺寸	100mm*100mm

SKTPU1000 1V0 TPU，是一款自主的、高性能(néng)的、通用神經網絡加速棒。同時支持 X86 平台、ARM 平台、龍芯平台等主流平台的運行。其内置 CNN 網絡加速引擎，可以實現高性能(néng)、低功耗的 CNN 網絡模型的加速。TPU 架構設計先進，可以高效完成(chéng)多路動态視頻流的人臉檢測、跟蹤、特征提取和識别，高效支持墨鏡、口罩、性别、年齡等屬性檢測，提供強大的可編程運算能(néng)力，滿足 CNN 算法實時性處理的運算要求。其内置芯片有自定義指令集和編程框架，除可運行人臉識别算法外，還支持其他主流的CNN 算法移植，包括服裝識别、表情識别、背包識别等。同時也支持其他計算機視覺 CNN 算法移植和應用。

2. 電源要求

龍芯教育派可以爲加速棒供電，教育派功耗在8W左右，加速棒功耗在3W左右，電源可以使用5V 3A的快充Type-C電源供電，這次使用的是小米的快充。

龍芯教育派和松科智能(néng)TPU已完成(chéng)兼容适配認證并上線電商平台ICeasy，可以直接訪問www.iceasy.com購買。

3. 硬件連接

先連接 HDMI 顯示接口，再接入 USB 攝像頭和加速棒，盡量避免熱插拔，接入完後再上電操作。

4.軟件部署

本次部署預設的人臉識别SDK，用戶也可以自行訓練模型後進行部署。

參考資料可以訪問

http://community.gdsoke.com/#/?index=0

（1）加速棒人臉識别SDK DEFaceR 目錄結構如下

├── 3rdparty：三方庫源碼和安裝文件

├── include：SDK 頭文件

├── lib：SDK 庫和依賴庫

├── bin：SDK 工具

├── dp1000：dp1000 芯片側組件

├── build：demo 應用

├── src：demo 源碼

├── deploy.sh：部署芯片側組件腳本

├── run.sh：運行 demo 程序腳本

└── ReadMe.txt：本文件

（2）環境設置

由于 host 與 device 之間通訊需要操作權限，所以首先需要切換到 root 用戶 把 DEFaceR 固件包拷貝在教育派上，cd DEFaceR 目錄輸入 su 進入 root 權限

需要先聲明環境變量 HOST_CPU，HOST_CPU 取決于 host 側 CPU 類型，例如 CPU 爲 loongson，則可以執行：# export HOST_CPU=loongson

（3）編譯 demo

在根目錄執行 make 直接編譯，應用程序安裝在 build/$(HOST_CPU)目錄下

如果需要重新編譯三方庫，可在 3rdparty 目錄下通過 build 腳本編譯

（4）部署芯片側組件

將(jiāng)芯片闆接到主控上，根據芯片硬件模塊類型燒寫芯片固件版本 。短接電路闆上跳帽，重啓，執行 # sh burn_nand.sh mini-pcie等待到提示 download dp1000 -> OK 時，拔掉短接跳帽，重啓，等待 1 分鍾後， lsusb 能(néng)看到 Linux-USB "Gadget Zero"設備 。

（**此步驟在TPU出廠前已經完成(chéng)，正常情況下用戶不需執行以上操作）

執行部署腳本，將(jiāng)芯片側組件傳輸到芯片側 # sh deploy.sh。

DEFaceR 目錄下使用 sh deploy.sh 命令部署模型：

5.運行Demo

配置參數，打開 build/$(HOST_CPU)目錄下有個 setting.ini，根據提示修改需要的配置 參數 部署完，運行命令 sh run.sh 啓動 Demo 等待加載。

爲便于展示識别功能(néng)，demo 程序提供了人員入庫途徑，用戶可以將(jiāng)照片拷貝至 build/$(HOST_CPU)/face_image 目錄下，當 demo 程序啓動時，會遍曆 build/$(HOST_CPU)/face_image 目錄 如果存在照片，則以文件名（不包含後綴，程序内部會自動去掉後綴）爲人員姓名入 庫， 入庫成(chéng)功的照片會被(bèi)拷貝至 build/$(HOST_CPU)/face_image/ok 目錄，否則拷貝至 build/$(HOST_CPU)/face_image/error 目錄。如果入庫失敗，則說明照片不符合要求。

常見的照片問題如下：

A.無法檢測到人臉 

B.人臉太小，小于 100 個像素

C.人臉模糊不清

入庫成(chéng)功的人員信息保存在 build/$(HOST_CPU)/facedb.db 數據庫文件中，下次啓動就(jiù)不用重新入庫，同時也可以通過删除 build/$(HOST_CPU)/facedb.db 文件來清庫。

Tag: AI 2K1000 人臉識别 人工智能(néng) 機器視覺