边缘计算、人工智能(néng)是電(diàn)子信息领域的研究和应用(yòng)热点，使用(yòng)龙芯2K1000配合松科(kē)智能(néng)國(guó)产神经网络加速棒，可(kě)以实现在嵌入式边缘计算领域的AI算力支撑。

开发教程

▶ 环境搭建

1. 设备准备

龙芯2K1000设备采用(yòng)了龙芯教育派作為(wèi)主控硬件平台，实现用(yòng)户端配置功能(néng)龙芯教育派是基于龙芯2K1000处理(lǐ)器的软硬件全开源教育产品。

详情可(kě)访问 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	龙芯2K1000处理(lǐ)器
内存	板载2GB DDR3，主频400Mhz
BIOS	32Mb SPI FLASH
GPIO	2.54mm间距22路GPIO双排插针
网络	1个千兆自协商(shāng)网口(标准RJ45)
USB	2路USB2.0,2路USB3.0
EJTAG	1个EJTAG调试接口(预留)
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个片选)
显示和音频接口	1路HDMI(TYPE A接口) br 1路3.5mm國(guó)际的音频输入/输出接口
外存	M.2接口 16GB SSD硬盘
電(diàn)源	5V，至少2A，TYPE C接口
按键	一个硬件复位按键
尺寸	100mm*100mm

SKTPU1000 1V0 TPU，是一款自主的、高性能(néng)的、通用(yòng)神经网络加速棒。同时支持 X86 平台、ARM 平台、龙芯平台等主流平台的运行。其内置 CNN 网络加速引擎，可(kě)以实现高性能(néng)、低功耗的 CNN 网络模型的加速。TPU 架构设计先进，可(kě)以高效完成多(duō)路动态视频流的人脸检测、跟踪、特征提取和识别，高效支持墨镜、口罩、性别、年龄等属性检测，提供强大的可(kě)编程运算能(néng)力，满足 CNN 算法实时性处理(lǐ)的运算要求。其内置芯片有(yǒu)自定义指令集和编程框架，除可(kě)运行人脸识别算法外，还支持其他(tā)主流的CNN 算法移植，包括服装识别、表情识别、背包识别等。同时也支持其他(tā)计算机视觉 CNN 算法移植和应用(yòng)。

2. 電(diàn)源要求

龙芯教育派可(kě)以為(wèi)加速棒供電(diàn)，教育派功耗在8W左右，加速棒功耗在3W左右，電(diàn)源可(kě)以使用(yòng)5V 3A的快充Type-C電(diàn)源供電(diàn)，这次使用(yòng)的是小(xiǎo)米的快充。

龙芯教育派和松科(kē)智能(néng)TPU已完成兼容适配认证并上線(xiàn)電(diàn)商(shāng)平台ICeasy，可(kě)以直接访问www.iceasy.com購(gòu)买。

3. 硬件连接

先连接 HDMI 显示接口，再接入 USB 摄像头和加速棒，尽量避免热插拔，接入完后再上電(diàn)操作。

4.软件部署

本次部署预设的人脸识别SDK，用(yòng)户也可(kě)以自行训练模型后进行部署。

参考资料可(kě)以访问

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

（1）加速棒人脸识别SDK DEFaceR 目录结构如下

├── 3rdparty：三方库源码和安装文(wén)件

├── include：SDK 头文(wén)件

├── lib：SDK 库和依赖库

├── bin：SDK 工具

├── dp1000：dp1000 芯片侧组件

├── build：demo 应用(yòng)

├── src：demo 源码

├── deploy.sh：部署芯片侧组件脚本

├── run.sh：运行 demo 程序脚本

└── ReadMe.txt：本文(wén)件

（2）环境设置

由于 host 与 device 之间通讯需要操作权限，所以首先需要切换到 root 用(yòng)户 把 DEFaceR 固件包拷贝在教育派上，cd DEFaceR 目录输入 su 进入 root 权限

需要先声明环境变量 HOST_CPU，HOST_CPU 取决于 host 侧 CPU 类型，例如 CPU 為(wèi) loongson，则可(kě)以执行：# export HOST_CPU=loongson

（3）编译 demo

在根目录执行 make 直接编译，应用(yòng)程序安装在 build/$(HOST_CPU)目录下

如果需要重新(xīn)编译三方库，可(kě)在 3rdparty 目录下通过 build 脚本编译

（4）部署芯片侧组件

将芯片板接到主控上，根据芯片硬件模块类型烧写芯片固件版本 。短接電(diàn)路板上跳帽，重启，执行 # sh burn_nand.sh mini-pcie等待到提示 download dp1000 -> OK 时，拔掉短接跳帽，重启，等待 1 分(fēn)钟后， lsusb 能(néng)看到 Linux-USB "Gadget Zero"设备 。

（**此步骤在TPU出厂前已经完成，正常情况下用(yòng)户不需执行以上操作）

执行部署脚本，将芯片侧组件传输到芯片侧 # sh deploy.sh。

DEFaceR 目录下使用(yòng) sh deploy.sh 命令部署模型：

5.运行Demo

配置参数，打开 build/$(HOST_CPU)目录下有(yǒu)个 setting.ini，根据提示修改需要的配置 参数 部署完，运行命令 sh run.sh 启动 Demo 等待加载。

為(wèi)便于展示识别功能(néng)，demo 程序提供了人员入库途径，用(yòng)户可(kě)以将照片拷贝至 build/$(HOST_CPU)/face_image 目录下，当 demo 程序启动时，会遍历 build/$(HOST_CPU)/face_image 目录 如果存在照片，则以文(wén)件名（不包含后缀，程序内部会自动去掉后缀）為(wèi)人员姓名入 库， 入库成功的照片会被拷贝至 build/$(HOST_CPU)/face_image/ok 目录，否则拷贝至 build/$(HOST_CPU)/face_image/error 目录。如果入库失败，则说明照片不符合要求。

常见的照片问题如下：

A.无法检测到人脸 

B.人脸太小(xiǎo)，小(xiǎo)于 100 个像素

C.人脸模糊不清

入库成功的人员信息保存在 build/$(HOST_CPU)/facedb.db 数据库文(wén)件中，下次启动就不用(yòng)重新(xīn)入库，同时也可(kě)以通过删除 build/$(HOST_CPU)/facedb.db 文(wén)件来清库。

Tag: AI 2K1000 人脸识别 人工智能(néng) 机器视觉