描述

抽象的

簡介：最新的深度學習模型與最先進的硬件相結合，可以實時執(zhí)行人體姿態(tài)估計 (HPE)。HPE 是指根據(jù)圖像數(shù)據(jù)估計人體的運動學模型。瑞士東部應用科學大學 ( OST )的人工智能跨學科中心 ( ICAI ) 與瑞士 VRM合作，采用了著名的OpenPoseHPE 的網(wǎng)絡，并使其計算效率更高。讓我們將此項目的網(wǎng)絡稱為 ICAIPose。當前的原型使用具有一流和計算密集型深度學習模型的多攝像頭系統(tǒng)，可在多個圖形處理單元（GPU）上運行，具有足夠的性能。

為了在治療環(huán)境中廣泛采用 HPE，需要一個小型且具有成本效益的系統(tǒng)。因此，姿勢跟蹤系統(tǒng)應該在邊緣設備上運行。

目標：在這個項目中，ICAIPose 應該在 AMD-Xilinx 的 FPGA 邊緣設備 Kria KV 260 上實現(xiàn)。由于 ICAIPose 是為 GPU 設計的，因此在 FPGA 上運行這樣一個給定的網(wǎng)絡所需的努力和性能影響是主要關注點。

方法：該應用程序需要一個攝像頭接口和一個深度學習處理單元。為了測試這些硬件部件，使用這些部件的給定示例項目首先在 Kria 板上運行。然后，使用 AMD-Xilinx 的 Vitis AI 為 FPGA 上的深度學習處理器單元 (DPU) 編譯 ICAIPose 網(wǎng)絡，并對網(wǎng)絡進行微調(diào)。隨附的 Vitis AI 運行時引擎及其 Python API 通過 FPGA 微處理器上的嵌入式 Linux 與 DPU 進行通信。

結論：ICAIPose 是一個非常大的神經(jīng)網(wǎng)絡，具有超過 100 個 GOps 來處理一幀。然而，在 KV260 上可以實現(xiàn)每秒 8 幀的吞吐量。基于 GPU 的 NVIDIA Jetson Xavier NX 的成本是 Kria 主板的兩倍多，它實現(xiàn)了相似的幀速率。

ICAIPose 在具有良好性能的邊緣設備上的成功實施為在治療環(huán)境中的廣泛應用開辟了領域。

AMD-Xilinx 的 Vitis AI 框架已經(jīng)過廣泛測試并顯示出其優(yōu)勢，但也存在一些初期問題。對于在 FPGA 上運行深度神經(jīng)網(wǎng)絡，Vitis AI 是一個在開發(fā)時間和性能之間取得良好平衡的框架。在用 HDL 或 HLS 實現(xiàn)硬件加速算法之前應該考慮這一點。

先決條件

• 安裝了 Vitis AI 的 Linux 主機 PC
• 了解 Vitis AI 工作流程
• KV260 上網(wǎng)

基礎知識

HPE 網(wǎng)絡的通常輸出是給定人體姿勢關鍵點的置信度圖。對于單個HPE的任務，找到置信度圖的最大值并分配相應的關鍵點。

相機接口

相機接口是設計的重要組成部分。Kria KV260 Basic Accessory Pack 包含一個小型相機。

AMD-Xilinx 為Kria? KV260 Vision AI Starter Kit Applications提供了一個示例應用程序。

智能相機應用程序的模塊設計表明，硬件平臺包含了我們這個項目所需的一切，包括相機的硬件接口和 DPU。此示例應用程序可用作基礎設計，以使用相機運行自定義 Vitis AI 模型。

對基礎設計的修改

首先，仔細檢查所有版本以確保它們匹配：

• 對于 Vitis AI 1.4 和以前的版本，KV260 的板映像為 2020.2
• 這需要使用 Smartcamera 應用程序，該應用程序也使用 2020.2 板映像（不是最新版本）。
• 2020.2智能相機平臺的Vitis AI版本為Vitis AI 1.3.0

按照此說明在 KV260 上安裝 smartcamera 應用程序（直到第 5 節(jié)）。

使用以太網(wǎng)端口將 KV260 板連接到本地網(wǎng)絡。

通過 UART/JTAG 連接時，檢查以太網(wǎng) (eth0) 端口的分配 IP 地址。

ifconfig

該命令的輸出類似于：

eth0      Link encap:Ethernet  HWaddr 00:0a:35:00:22:01  
          inet addr:152.96.212.163  Bcast:152.96.212.255  Mask:255.255.255
          inet6 addr: fe80::20a:35ff:fe00:2201/64 Scope:Link
          UP BROADCAST RUNNING MULTICAST  MTU:1500  Metric:1
          RX packets:67 errors:0 dropped:0 overruns:0 frame:0
          TX packets:51 errors:0 dropped:0 overruns:0 carrier:0
          collisions:0 txqueuelen:1000 
          RX bytes:9478 (9.2 KiB)  TX bytes:5806 (5.6 KiB)
          Interrupt:44

在這種情況下，IP 地址是152.96.212.163.

使用此地址從主機 PC（連接到與 KV260 相同的網(wǎng)絡）通過網(wǎng)絡連接ssh到 KV260。

ssh petalinux@

要運行所有 Vitis AI 示例，必須在 KV260 上進行一些進一步的安裝。確保設備已連接到互聯(lián)網(wǎng)。

X11-轉發(fā)

sudo dnf install packagegroup-petalinux-x11

設置顯示環(huán)境

export DISPLAY=:0.0

葡萄籽油

sudo dnf install packagegroup-petalinux-vitisai

開放式CV

sudo dnf install packagegroup-petalinux-opencv

柏油

sudo dnf install xz

Vitis AI 運行時

sudo wget https://www.xilinx.com/bin/public/openDownload?filename=vitis-ai-runtime-1.3.0.tar.gz

sudo tar -xzvf openDownload\?filename\=vitis-ai-runtime-1.3.0.tar.gz

cd vitis-ai-runtime-1.3.0/aarch64/centos/

sudo bash setup.sh

Vitis AI 運行時 (VART) 需要DPU.xclbin文件中vart.conf文件的位置。但相應的xclbin文件是來自 smartcam 應用程序的文件。

使用以下命令更改和 xclbin 文件。vart.conf

echo "firmware: /lib/firmware/xilinx/kv260-smartcam/kv260-smartcam.xclbin" | sudo tee /etc/vart.conf

sudo cp /lib/firmware/xilinx/kv260-smartcam/kv260-smartcam.xclbin /usr/lib/

sudo mv /usr/lib/kv260-smartcam.xclbin /usr/lib/dpu.xclbin

在運行 Vitis AI 示例之前，必須加載相應的 smartcam 應用程序（每次啟動后）。

sudo xmutil unloadapp
sudo xmutil loadapp kv260-smartcam

加載 KV260-smartcam 應用程序后，可以使用以下 GStreamer 命令使用 X11-forwarding 測試相機：

gst-launch-1.0 mediasrcbin media-device=/dev/media0 v4l2src0::io-mode=dmabuf v4l2src0::stride-align=256  ! video/x-raw, width=256, height=256, format=NV12, framerate=30/1 ! videoconvert! ximagesink

如果通過 HDMI（本例中為 1920x1200）連接顯示器，則也可以測試相機。請根據(jù)您連接的顯示器更改寬度和高度參數(shù)

gst-launch-1.0 mediasrcbin media-device=/dev/media0 v4l2src0::io-mode=dmabuf v4l2src0::stride-align=256 ! video/x-raw, width=1920, height=1200, format=NV12, framerate=30/1  ! kmssink driver-name=xlnx plane-id=39 sync=false fullscreen-overlay=true

Vitis AI 模型動物園

在下一個項目步驟中，將結合 Vitis AI 對攝像頭系統(tǒng)進行測試。借助來自Vitis AI Model Zoo的大量預訓練神經(jīng)網(wǎng)絡，可以選擇一個示例。

Hourglass 是一個 HPE 網(wǎng)絡，具有以下屬性：

cf_hourglass_mpii_256_256_10.2G_2.0

• 描述：帶有沙漏的姿勢估計模型
• 輸入尺寸：256x256
• 浮動操作：10.2G
• 任務：姿態(tài)估計
• 框架：咖啡
• 修剪：'不'
• 最新版本：Vitis AI 2.0

KV260 模型的預編譯版本已使用 Vitis AI 2.0 和 DPU 配置進行編譯B4096。

我們使用 DPU 配置B3136。caffe因此，必須使用相應 DPU 和正確的 Vitis AI 版本 1.3.0（Docker 映像：）的工作流重新編譯沙漏模型xilinx/vitis-ai-cpu:1.3.411。

DPU 指紋和相應的arch.json文件可以在smartcam 文檔中找到。

{
    "fingerprint":"0x1000020F6014406"
}

新編譯的文件模型可以保存在 KV260 上。

Vitis AI 庫提供的測試應用程序 ( test_video_hourglass) 用于運行模型。為此，請使用此項目中提供的預構建文件或使用 KV260 主機 PC 上的交叉編譯系統(tǒng)環(huán)境編譯測試應用程序（遵循 Vitis AI說明）。

下載并解壓 KV260 上的預構建文件。

wget https://github.com/Nunigan/HardwareAcceleratedPoseTracking/raw/main/prebuilt.tar.xz

tar -xf prebuilt.tar.xz

轉到沙漏文件夾

cd prebuilt/hourglass/

來自相機接口的 GStreamer 字符串用作輸入設備。使用以下命令，程序以兩個線程運行。

./test_video_hourglass hourglass_kv.xmodel "mediasrcbin media-device=/dev/media0 v4l2src0::io-mode=dmabuf v4l2src0::stride-align=256  ! video/x-raw, width=256, height=256, format=NV12, framerate=30/1 ! videoconvert ! appsink" -t 2

沙漏以 30 fps 運行。請注意，限制因素是相機而不是神經(jīng)網(wǎng)絡。

葡萄籽油

該項目的主要部分是使用為傳統(tǒng) GPU 實現(xiàn)和 Tensorflow 設計的神經(jīng)網(wǎng)絡，并嘗試在 FPGA 上運行它。

ICAIPose 是一個相當大的網(wǎng)絡，具有大約 1100 萬個可學習參數(shù)并103 GOps用于處理圖像。

原始網(wǎng)絡由以下層組成：

• Conv2D
• PReLU activation function
• Concatenate
• UpSampling2D
• DepthwiseConv2D
• MaxPooling2D

對于 Vitis AI 的使用，必須檢查 Vitis AI 是否支持神經(jīng)網(wǎng)絡的所有層（請參閱相應的用戶指南）。

PReLU支持除激活函數(shù)之外的所有層。“Parametric ReLU”與函數(shù)非常相似Leaky ReLU（見下圖），只是泄漏項是一個可學習的參數(shù)。Vitis AI 支持Leaky ReLU0.1 的固定泄漏項。

引入Leaky ReLU激活功能帶來了一些挑戰(zhàn)。

結果

了解網(wǎng)絡在 FPGA 上運行的速度很有趣，但重要的是了解是否由于量化而損失了一些 HPE 性能。

吞吐量性能

• ICAIPose (256x256, 103 GOps): 8 fps

在B3136DPU 和時鐘頻率為 的情況下300 MHz，給出了理論吞吐量940 GOps/s。

因此，結果在預期范圍內(nèi)（回想一下：103 GOps對于一張圖像）。

作為比較，NVIDIA Jetson Xavier NX 比 KV260 更昂貴，并且具有顯著更高的理論吞吐量（21 TOps），達到了 8 fps 的相同吞吐量。

人體姿勢估計性能

該數(shù)據(jù)集提供了 2000 多張圖像和相應的理想置信度圖，用于測試 HPE 性能。

歸一化置信度圖的均方誤差 (MSE) 是通過對每個像素之間的差異求平方和求和來計算的。下圖顯示了一個示例。左側圖像的均值是給定輸入的 MSE。

我們現(xiàn)在可以比較量化網(wǎng)絡和浮點網(wǎng)絡之間的 MSE。作為附加信息，顯示了具有PReLU激活功能的原始網(wǎng)絡的 MSE。

所有圖像的 MSE：

• Float: 0.8109
• Quantized INT8: 0.9332
• PReLU: 0.9348

從PRelu到Leaky ReLU激活函數(shù)的變化甚至提高了網(wǎng)絡性能。量化對 有影響MSE，但影響很小。量化的網(wǎng)絡執(zhí)行以及未量化的PReLU網(wǎng)絡

結論

AMD-Xilinx 的 Vitis AI 框架經(jīng)過廣泛測試，顯示出其優(yōu)勢和一些初期問題。即使 FPGA 板更便宜，也可以將目標設備從 GPU 更改為 FPGA，而不會損失顯著的性能。Vitis AI 允許在沒有 HDL 或 HLS 知識的情況下為 FPGA 設計高效的深度神經(jīng)網(wǎng)絡。

Kria KV260 Vision AI Starter Kit 是從 Vitis AI 開始的絕佳選擇。提供的攝像頭可以在 petalinux 環(huán)境中輕松使用。

參考

• KV260 智能攝像機
• Vitis AI 用戶指南
• Vitis AI GitHub
• 馬里奧·伯杰龍 GitHub
• 英偉達 Jetson Xavier NX

致謝

特別感謝ICAI和瑞士 VRM提供了經(jīng)過培訓的 ICAIpose 版本。

感謝微電子和嵌入式系統(tǒng)研究所作為學生項目的一部分支持這一挑戰(zhàn)。

修訂記錄

• 2022 年 3 月 14 日 - 初始版本