阅读量:52
目录
引言
终于收到一款心仪已久的板子了，收到货后来不及吃灰就赶紧测试了，不得不说性价比很高，真不愧是Orange Pi AI Pro，对比其他板子性价比绝对第一！
开发板介绍
Orange Pi AI Pro开发板是一款香橙派和华为联合精心打造的高性能AI开发板，搭载了昇腾AI处理器，可实现图像、视频等多种数据分析处理
OrangePi AIpro(8-12T)采用昇腾AI技术路线，具体为4核64位处理器+AI处理器，集成图形处理器，支持8-12TOPS AI算力，拥有8GB/16GB LPDDR4X，可以外接32GB/64GB/128GB/256GB eMMC模块，支持双4K高清输出。
Orange Pi AIpro引用了相当丰富的接口，包括两个HDMI输出、GPIO接口、Type-C电源接口、支持SATA/NVMe SSD 2280的M.2插槽、TF插槽、千兆网口、两个USB3.0、一个USB Type-C 3.0、一个Micro USB（串口打印调试功能）、两个MIPI摄像头、一个MIPI屏等，预留电池接口，可广泛适用于AI边缘计算、深度视觉学习及视频流AI分析、视频图像分析、自然语言处理、智能小车、机械臂、人工智能、无人机、云计算、AR/VR、智能安防、智能家居等领域，覆盖 AIoT各个行业。 Orange Pi AIpro支持Ubuntu、openEuler操作系统，满足大多数AI算法原型验证、推理应用开发的需求。
接口详情图
开发板使用
准备工作
工具文档
官方工具：点我下载
用户手册：点我下载
ubuntu镜像：点我下载
本次用到：读卡器、网线
拨码开关
开发板支持从TF卡、eMMC和SSD（支持NVMeSSD和 SATASSD）启动。具体从哪个设备启动是由开发板背面的两个拨码（BOOT1和BOOT2）开关来控制的。
默认是通过TF卡启动的
香橙派 AI Pro开发板通过其丰富的内置 API 和完善的文档支持，确实简化了开发流程并提高了易用性。这些特点使开发者能够更快速地进行应用程序的开发和调试，同时保证了开发过程的高效性和可靠性
镜像烧录
开发板出厂时，Sd卡已经有一个系统了，博主通电后发现SD卡上的小灯已亮了起来，官方原话给的是：
此绿灯由GPIO4_19控制其亮灭，可以作为SATA硬盘的指示灯或者其他需要的用途。目前发布的Linux系统默认在DTS中将其点亮。当看到此灯点亮后，至少可以说明Linux内核已经启动了。
由于没有读卡器，博主还未烧录过系统，不过很简单，可以参考这里
基于WindowsPC将Linux镜像烧写到TF卡的方法-11页
连接开发板
官方文档写明可通过多种方式连接开发板，这里使用了网线进行连接，连接后如下图所示：
下载MobaXterm
可以去官方提供的工具包里面下载，也可以 快速下载
网线-SSH连接开发板
网线连接这种方式，适合还未连接WIFI的板子 以及 没有显示屏的同学，将网线和开发板网口以及电脑连接后，可以通过共享网络使电脑为板子分配IP地址
查找到ip地址后，打开MobaXterm进行SSH连接
| 账号 | 密码 |
|---|---|
| root | Mind@123 |
| HwHiAiUser | Mind@123 |
输入账号和密码登录，注意：Linux密码是不显示的，输入完成回车即可
使用USB串口调试注意： 一定要确保USB数据线是否是能传输数据的，一般都是只能充电不能传输数据，可能插入后没有反应 设置WIFI连接
开发板带有WIFI模块，我们可以将开发板连接到家用路由器网络，这样就可以不需要网线连接了
WIFI-SSH连接开发板
通过nmcli命令连接WIFI
我们用的是网线连接开发板，使用SSH登录到了开发板，在终端界面输入
nmcli dev wifi 
连接WIFI
sudo nmcli dev wifi connect 'Cloud' password '13988266448' 
通过图形化方式连接WIFI
sudo nmtui 
选择Activateaconnect后回车，选中后输入密码即可连接
确定开发板IP方法
目前可以将IP设置为静态，不让他自动分配，但是我认为，可以通过查看路由器上面的用户确定
Vnc可视化
Windows
在windows上显示图形化桌面又没有屏幕和连接线，可以通过MobaXterm的vnc连接
弹出的窗口输入密码即可登录到系统
iPad
和开发板保持相同局域网内，下载软件RVNC Viewer
| IP | 端口 |
|---|---|
| 192.168.x.x | 5901 |
开发工具安装
下载pycharm社区版
找到文件所在位置解压，输入解压命令
tar -xzvf pycharm-community-2024.1.4-aarch64.tar.gz 
运行pycharm
创建快捷方式，之后可以在左上角开发菜单栏中找到
散热风扇
使用的过程中发现板子很烫手，于是我设置了自定义转速
查询风扇当前模式命令
sudo npu-smi info -t pwm-mode
查询当前风扇转速
sudo npu-smi info -t pwm-duty-ratio 设置为手动模式并调整转速，0手动1自动
sudo npu-smi set -t pwm-mode -d 0 取值范围0-100
sudo npu-smi set -t pwm-duty-ratio -d 30 
推荐设置30
基于VGG16的火灾检测模型预测
前面的基本配置搞定了，我们使用模型加载本地数据集并对其进行预处理，然后使用预训练的 VGG16 模型，并添加自定义的全连接层进行火灾检测。
最后，代码会在本地训练模型，并保存模型到本地文件系统，通过已训练的模型进行测试识别。
数据集准备
yolov5火灾检测数据集，共2000多张图片，标注fire，点我下载
目录结构
dataset/ validation/ fire/ image1.jpg image2.jpg ... train/ no_fire/ image1.jpg image2.jpg ... 代码
创建一个名为main.py的Python脚本，内容如下：
import tensorflow as tf from tensorflow.keras.preprocessing.image import ImageDataGenerator from tensorflow.keras.applications import VGG16 from tensorflow.keras.layers import Dense, Flatten from tensorflow.keras.models import Model import os # 数据预处理 train_dir = 'dataset/train' validation_dir = 'dataset/validation' train_datagen = ImageDataGenerator( rescale=1./255, rotation_range=20, width_shift_range=0.2, height_shift_range=0.2, shear_range=0.2, zoom_range=0.2, horizontal_flip=True, fill_mode='nearest' ) test_datagen = ImageDataGenerator(rescale=1./255) train_generator = train_datagen.flow_from_directory( train_dir, target_size=(150, 150), batch_size=32, class_mode='binary' ) validation_generator = test_datagen.flow_from_directory( validation_dir, target_size=(150, 150), batch_size=32, class_mode='binary' ) # 使用预训练的VGG16模型 base_model = VGG16(weights='imagenet', include_top=False, input_shape=(150, 150, 3)) # 添加自定义顶层 x = base_model.output x = Flatten()(x) x = Dense(128, activation='relu')(x) predictions = Dense(1, activation='sigmoid')(x) model = Model(inputs=base_model.input, outputs=predictions) # 冻结VGG16的卷积层 for layer in base_model.layers: layer.trainable = False # 编译模型 model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy']) # 训练模型 model.fit( train_generator, steps_per_epoch=train_generator.samples // train_generator.batch_size, validation_data=validation_generator, validation_steps=validation_generator.samples // validation_generator.batch_size, epochs=10 ) # 保存模型 model.save('fire_detection_model.h5') # 评估模型 loss, accuracy = model.evaluate(validation_generator) print(f"Validation Accuracy: {accuracy*100:.2f}%") 操作
SSH连接到开发板进行项目上传
等待上传完成（有点漫长…）
安装必要库
在Orange Pi AI Pro上安装所需的库
sudo apt-get update sudo apt-get install python3-pip pip3 install numpy pandas tensorflow keras opencv-python 安装模块中
错误的话，更新下pip
pip install --upgrade pip 
继续报错：
(venv) (.venv) pip3 install tensorflow running build_ext Loading library to get build settings and version: libhdf5.so error: Unable to load dependency HDF5, make sure HDF5 is installed properly Library dirs checked: [] error: libhdf5.so: cannot open shared object file: No such file or directory [end of output] note: This error originates from a subprocess, and is likely not a problem with pip. ERROR: Failed building wheel for h5py Failed to build h5py ERROR: ERROR: Failed to build installable wheels for some pyproject.toml based projects (h5py) (venv) (.venv) Orange Pi AI Pro默认Python环境3.9.9 更新pip后直接安装tensorflow当到h5py时候报错，尝试先安装h5py再安装tensorflow，版本号如下：
pip install h5py3.8.0
pip install tensorflow2.11.0
/root/Desktop/project/.venv/bin/python /root/Desktop/project/main.py RuntimeError: module compiled against API version 0x10 but this version of numpy is 0xf RuntimeError: module compiled against API version 0x10 but this version of numpy is 0xf ImportError: numpy.core._multiarray_umath failed to import ImportError: numpy.core.umath failed to import Traceback (most recent call last): File "/root/Desktop/project/main.py", line 1, in <module> import tensorflow as tf File "/usr/local/lib64/python3.9/site-packages/tensorflow/__init__.py", line 37, in <module> packages/tensorflow/python/framework/dtypes.py", line 34, in <module> _np_bfloat16 = _pywrap_bfloat16.TF_bfloat16_type() TypeError: Unable to convert function return value to a Python type! The signature was () -> handle 这个错误表明 TensorFlow 在导入过程中与 NumPy 版本之间存在不兼容的问题。这通常是由于 TensorFlow 和 NumPy 版本之间的API不匹配引起的。
可以尝试tensorflow==2.4.0
安装成功后运行即可
Found 100 images belonging to 2 classes. Found 100 images belonging to 2 classes. 2024-07-16 16:57:17.388409: I tensorflow/core/platform/cpu_feature_guard.cc:193] This TensorFlow binary is optimized with oneAPI Deep Neural Network Library (oneDNN) to use the following CPU instructions in performance-critical operations: AVX To enable them in other operations, rebuild TensorFlow with the appropriate compiler flags. 3/3 [==============================] - 42s 20s/step - loss: 1.3637 - accuracy: 0.4265 - val_loss: 0.9231 - val_accuracy: 0.4531 4/4 [==============================] - 30s 7s/step - loss: 0.8841 - accuracy: 0.5000 Validation Accuracy: 70% 
查看模型文件
使用模型文件进行预测
待检测图片
import tensorflow as tf from tensorflow.keras.preprocessing import image import numpy as np # 加载已保存的模型 model = tf.keras.models.load_model('fire_detection_model.h5') # 预处理单张图片的函数 def preprocess_image(img_path, target_size=(150, 150)): img = image.load_img(img_path, target_size=target_size) # 加载图片并调整大小 img_array = image.img_to_array(img) # 将图片转换为数组 img_array = np.expand_dims(img_array, axis=0) # 增加一个维度 img_array /= 255.0 # 归一化 return img_array # 图片路径 img_path = 'path_to_your_image.jpg' # 预处理图片 img_array = preprocess_image(img_path) # 进行预测 prediction = model.predict(img_array) # 输出预测结果 if prediction[0] > 0.5: print(f"The image at {img_path} is predicted to be a fire with a probability of {prediction[0][0]*100:.2f}%.") else: print(f"The image at {img_path} is predicted to be non-fire with a probability of {(1-prediction[0][0])*100:.2f}%.") 
0bb3c0c6-744d-4b31-be3f-d0cdbc844de1.jpg处的图像被预测为非火灾，概率为86.67%。
如果训练数据继续增加会提高识别正确率
Orange Pi AI Pro提供的内置工具以及模块，对于机器学习模型的开发和训练提供了便捷的环境。这些工具支持常见的深度学习框架，并且可以利用板载的NPU进行加速，有效提高了模型训练和推理的效率
安装宝塔
Orange Pi AI Pro 还可以搭建服务器，挂载个人网站或者脚本，我们部署宝塔在开发板里面
Ubuntu/Deepin安装脚本
wget -O install.sh https://download.bt.cn/install/install-ubuntu_6.0.sh && sudo bash install.sh ed8484bec 
上传项目到文件夹
安装python3.7
新建项目
安装模块
| 模块名 | 版本 |
|---|---|
| tensorflow | 2.11.0 |
运行项目
安装宝塔进行测试显示出了Orange Pi AI Pro在部署和管理网络应用时的灵活性和可扩展性。宝塔能够简化服务器的管理和配置，对于需要快速搭建和测试网络应用的场景非常有用。
最后
Orange Pi AI Pro在处理能力、专注AI应用和扩展性方面表现突出，适合于需要更高性能和复杂计算的应用。对比树莓派则以其成本效益、广泛的社区支持和适用于教育等广泛场景的特点而获得广泛认可。
