Xilinx DPU 新玩法，加速 AI 应用落地

DPU 是什么？

Xilinx® 深度学习处理器单元（DPU）是专用于卷积神经的可配置计算引擎网络。引擎中使用的并行度是设计参数，可以根据需要选择目标设备和应用程序。它包含一组高度优化的指令，并支持大多数卷积神经网络，例如 VGG、ResNet、GoogLeNet、YOLO、SSD、MobileNet、FPN 等，可将 DPU IP 作为一个模块集成到所选 Zynq®-7000 SoC 和 Zynq UltraScale™+ MPSoC 器件的可编程逻辑（PL）中，这些器件与处理系统（PS）直接相连。

AI 开发的新选择

米尔科技 MYD-CZU3EG

MYD-CZU3EG 开发板在原产品的基础上搭载了赛灵思深度学习处理单元 DPU，该部分新功能的增加可以极大的提升产品数据处理与运行效率，结合 DNNDK 工具链，AI 开发者就能用上赛灵思之前发布的算法资源，为 AI 应用落地提供完整支撑，帮助用户实现更为快速的产品开发和迭代。

适用领域

搭载 DPU 后，MYD-CZU3EG 可用于 ADAS，智能安防，工业质检，智能零售等诸多 AI 应用开发。

DNNK 应用开发流程

DNNDK 是一个工具套件，专门设计用于将深度神经网络（DNN）高效高效地部署到 Xilinx FPGA 平台，由量化器、编译器、汇编器、链接器和其他有用的实用程序（例如，探查器，模拟器和运行时库）组成，以提高使用 Xilinx 嵌入式平台开发 DNN 应用程序的效率。下图为 DNNDK 的系统框图（DNNDK 的安装及使用教程可参考 UG1327）：

编译程序

DNNDK 编译流程如下图所示：

下面以 Caffe 模型 -restnet50 为例

列举使用 DNNDK 开发应用的流程：

1.压缩模型

a.拷贝资料

从资料包中拷贝 dnndk 文件夹到安装了 DNNDK 的服务器上，输入模型是浮点型的：float.caffemodel。确保在 float.prototxt 中填写的校准数据集的路径是正确的：

b.量化模型

使用 DECENT 工具量化模型，确保 decen.sh 脚本中对输入和输出的配置是正确的，如下图所示：

确保配置无误后执行脚本：sh decent.sh

运行后等待一段时间会输出以下信息即表示量化完成：

2.编译模型

a.生成 DNNC 工具所需的 .dcf 文件

dlet -f design.hwh

b.使用 DNNC 工具编译模型

sh dnnc_myir.sh

等待一段时间后会输出编译成功的信息：

由于我们使用 c++ 进行部署，所以不需要将 dpu_resnet50_0.elf 转换为 python 使用的 .so 文件。使用 dpu_resnet50_0.elf 和需要部署功能的 main.c 文件即可在开发板上生成可执行文件。

示例：基于 YOLOV3 的

ADAS 驾驶辅助 demo 演示

MYD-CZU3EG DPU 使用手册下载，参考：http://www.myir-tech.com/download.asp?nid=93