资料下载
Kria KV260上的动态交通灯系统
张宇
分享资料个
描述
介绍
交通拥堵是实现智慧城市可持续目标的主要问题。当我们想准时到达办公室或结束一天的辛勤工作回家时，我们都会时不时地耐心地穿过路口等待红绿灯变绿，或者对高峰时段交通缓慢的爬行感到沮丧。我们都在交通拥堵中受了很多苦。交通拥堵每年造成数十亿美元的损失、数十亿小时的浪费时间以及数十亿升的燃料浪费，导致巨大的经济损失、本可用于其他生产活动的时间浪费以及对环境的损失。该项目的目的是使用动态交通灯系统解决这个问题。
我们的Kria KV260基本配件包包括：
- 筒形千斤顶电源 (12V, 3A)
- MicroSD 卡 [16GB UHS-1]
- Micro-USB 转 USB-A 数据线
- AR1335 IAS 摄像头模组
- 以太网电缆
- 用于连接显示器的 HDMI 电缆
构建 Petalinux
在此处按照构建 petalinux 项目的指南进行操作
1) 下载 PetaLinux Tools Installer 2021.1 PetaLinux 下载页面
2) 2021.1 tools eSDK update 1 here
3) 从PetaLinux 下载链接下载 Kria K26 Starter Kit 2021.1 Update 1 BSP
现在这个 wic 图像的大小为 6 GB。
刷 SD 卡
现在使用Balena Etcher将图像闪存到 SD 卡中。然后可以将 SD 卡插入 kria Board
设置 KV260
为了在 KV260 板上运行 petalinux 版本，设备上连接了摄像头、显示器和串行 USB 端口。请按照此处的指南开始使用板连接进行设置
首先通过串口进行通信，我们将使用TeraTerm
1) 为 KV260 找到正确的端口（在我的情况下为 COM6）
2）在设置>串口下将波特率更改为115200并重启板子
3) 使用默认的 Petalinux 登录。对于密码或 root 用户，请在此处遵循用户指南
Xmutil
Xmutil 包组 - xmutil 处理各种加速应用程序的加载。该实用程序可用于查询平台状态、管理加速应用程序以及其他一些功能。
请注意，目标输出可能是 dp/rtsp/file。关注此处支持的不同功能。我们将在这里使用文件输入。
smartcam文件输入只支持.h264/.h265，所以我们需要将.mp4文件转换成.h264进行推理。我们将在这个过程中使用ffmpeg 。由于我已经在我的虚拟盒子中安装了ubuntu ，我将使用它来转换股票 mp4 素材。为了在 Ubuntu 和 Kria 之间传输文件，我使用的是WinSCP 。
要在 Ubuntu 中安装 ffmpeg，请使用：
$ sudo apt update
$ sudo apt install ffmpeg
验证 ffmpeg 安装
$ ffmpeg -version
使用以下命令进行文件转换
编码的.h264 文件现在可以使用 WinSCP 从 windows 传输到 kria。
1）找到你的板IP使用
ifconfig
2）这个ip用来连接kria方便文件传输
3）根文件是板子的输出文件
4）以下命令用于在板上运行推理
葡萄球菌
Vitis AI 开发环境是用于加速 AI 推理的专用开发环境。Vitis AI 开发环境支持 Tensorflow 和 Caffe 等深度学习框架，以及用于修剪、量化、优化和编译预训练网络以进行 AI 推理的 API。
按照以下链接在此处安装 Vitis AI v2.0
下载的 dpu 映像将命名为xilinx-kv260-dpu-v2021.2-v2.0.0.img ，大小约为 2.5 GB。
Python
该板可以使用 jupyter labs 运行 python。在 Jupyter 中运行 python 文件：
动态红绿灯的基本结构可以想到——
1.获取每条车道的实时图像。
2. 扫描并确定交通密度。
3. 将此数据输入到时间分配算法。
4. 输出将是根据算法给出的每个车道的时隙。
概括
总之，与其他 FPGA 板相比，Kria KV260 的 AI 功能以及使用 FPGA 板的易用性给我留下了深刻的印象。该板几乎不需要 FPGA 经验，并且能够在 VITIS 人工智能库的帮助下运行强大的人工智能算法。需要做更多的工作来探索所有这些库和包，并且我需要进一步的工作来完整地完成这个项目，这将在未来的项目提交中出现。从与董事会合作的那一刻起，我就完全确信，董事会将对目前在 AI 领域工作的组织非常有成效，通过在旧的 AI 算法过时时轻松实施新的 AI 算法（例如实现 YOLO 3 而不是 YOLO 等）。与 ASIC 和 GPU 相比，这将是更好的解决方案（由于功耗大）。此外，观察到与 GPU 相比，在同时检测到大量对象和类的复杂场景中，模型性能更好，这使其适用于高密度视觉应用。
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。 举报投诉
- 相关下载
- 相关文章
