【OrangePi AIpro】开箱初体验以及OAK深度相机测试

本文主要是介绍【OrangePi AIpro】开箱初体验以及OAK深度相机测试，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

1. 简介

Orangepi AIPRO 是一款采用昇腾AI技术路线，集成4核64位处理器+AI处理器的单板计算机，集成图形处理器，支持8TOPS AI算力，拥有8GB/16GB LPDDR4X，可以外接eMMC模块，支持双4K高清输出。

Orange Pi AIpro拥有丰富的扩展接口，包括两个HDMI输出、GPIO接口、支持SATA/NVMe SSD 2280的M.2插槽（PCIe 4Lane）、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，

Orange Pi AIpro已支持Ubuntu、openEuler操作系统，可以满足大多数AI算法原型验证、推理应用开发的需求。

2. 主要特性

处理器：昇腾AI处理器（Ascend310B4）64bit 四核处理器，主频可达 1.5GHz
内存：8GB LPDDR4X 内存
显示：支持 HDMI 2.0 最大分辨率可达 4K
网络：支持千兆以太网接口，Wi-Fi 5，蓝牙 4.2
接口：USB 3.0，USB 2.0，SATA 2.0，PCIe 2.0，I2C，SPI，GPIO 等
扩展：支持扩展多种 USB 和 PCIe 设备

3.使用方法

准备工作

下载针对 Orangepi AIPRO 的操作系统镜像文件（Ubuntu、openEuler），并将其烧录到 SD 卡中。

Ubuntu镜像

openEuler

将 SD 卡插入 Orangepi AIPRO 的 SD 卡槽，并开启电源。
系统将自动完成启动。

3.1连接串口及网络

根据Orangepi AIPRO 提供的接口，我们可以很轻易的完成串口终端的登录和网络的配置，主要有一下几种方法：

通过HDMI线缆将开发板的HDMI0接口连接到我们的屏幕上，在熟悉的图形界面上配置wifi密码和设置以太网固定IP；
将开发板的microUSB调试串口通过USB线缆连接到电脑，可以使用串口终端登录 Linux 系统；（波特率：115200 数据位：8 停止位：1 None Flow Ctrl）；
如果没有屏幕，我们可以通过在串口终端中使用nmtui工具来完成网络配置；

接下来主要通过第三种方式介绍一下WIFI和千兆网络配置：

1.在串口终端输入下面的命令开始搜索WIFI，ctrl+c退出搜索

nmcli dev wifi

2.配置WIFI名称与密码 wifi_name 需要替换为自己的WIFI名称 wifi_passwd 替换为WIFI密码

sudo nmcli dev wifi connect wifi_name password wifi_passwd

成功后联网后会显示Device 'wlan0' successfully activated，通过PING一下网站域名可简单验证WIFI网络连通性。

3.千兆网口的配置

通过命令查看网络连接状态，Wired connection 1就是千兆有线网络

nmcli con show

输入下列命令完成千兆有线网络配置（可根据自己需要设置IP和网关地址）

sudo nmcli con mod "Wired connection 1" ipv4.addresses "192.168.1.110" ipv4.gateway "192.168.1.1"  ipv4.dns "8.8.8.8" ipv4.method "manual"

配置完成后需要reboot生效
在千兆网络端口没有连接网线时，无法查看端口详细的配置，此时我们将开发板连接到电脑通过下面的命令就可以查看固定IP是否配置成功
- ```
ip addr show eth0
```

4. USB深度摄像头初步测试

由于Orangepi AIPRO板卡上提供了两个USB3.0接口可以很方便的连接USB相机，外置的深度相机可以节约AI处理器算力，让芯片专注于控制场景中的决策工作，手头刚好有OPENCV AI KIT的深度相机可以在Orangepi AIPRO测试一下。

得益于Ubuntu系统强大的兼容性，我们可以通过简单的指令完成环境搭建；

# 安装依赖项
sudo wget -qO- https://docs.luxonis.com/install_depthai.sh | bash

# 安装显控软件
python3 -m pip install depthai-viewer
# 运行DepthAI Viewer
python3 -m depthai_viewer

打开 depthai_viewer软件后，就可以看到深度相机传回的原始深度图像。

5.AI应用样例体验

在Orangepi AIPRO板卡系统中还内置了多个有趣的AI处理案例，大大降低了学习门槛。

在人像分割场景中，Orangepi AIPRO可以通过训练好的模型轻松实现深度学习神经网络PortraitNet，（PortraitNet是实时人像分割模型，该模型可以在移动设备上有效且高效地运行，基于轻量级的 U 形架构，在训练阶段有两个辅助损失，而在测试阶段不需要额外的成本进行肖像推理。两个辅助损失是边界损失和一致性约束损失。前者提高了边界像素的精度，后者增强了复杂光照环境下的鲁棒性）。

5.1. 打开内置Jupyter Notebook AI样例的操作很便捷，只需要下面两条命令；

cd samples/notebooks/
./start_notebook.sh

5.2. 运行Jupyter Notebook AI样例

5.3. 输出对比图像

输入图像

背景图像

输出图像

内置的AI样例中有很清晰的注释，在调试过程中很容易理解各个代码模块对应的功能，可以很方便的修改，做到有的放矢。

class Seg(object):"""人像分割模型推理"""def __init__(self, model_path, model_width, model_height):self._model_path = model_pathself._model_width = model_widthself._model_height = model_heightself.device_id = 0self._dvpp = Noneself._model = Nonedef init(self):"""初始化相关资源"""# Initialize dvppself._dvpp = AclLiteImageProc()# Load modelself._model = AclLiteModel(self._model_path)return const.SUCCESS@utils.display_timedef pre_process(self, image):"""图片预处理"""image_dvpp = image.copy_to_dvpp()yuv_image = self._dvpp.jpegd(image_dvpp)resized_image = self._dvpp.resize(yuv_image,self._model_width, self._model_height)return resized_image     @utils.display_timedef inference(self, input_data):"""模型推理"""return self._model.execute(input_data)@utils.display_timedef post_process(self, infer_output, image_name):"""获取分割结果"""data = infer_output[0]vals = data.flatten()mask = np.clip((vals * 255), 0, 255)mask = mask.reshape(224, 224, 2)cv2.imwrite(os.path.join(MASK_DIR, image_name), mask[:, :, 0])return mask @utils.display_time
def background_replace(bg_path, ori_path, mask_path):"""将人像分割结果与背景图片结合"""background = cv2.imread(bg_path)height, width = background.shape[:2]ori_img = cv2.imread(ori_path)mask = cv2.imread(mask_path, 0)mask = mask / 255mask_resize = cv2.resize(mask, (width, height))ori_img = cv2.resize(ori_img, (width, height))mask_bg = np.repeat(mask_resize[..., np.newaxis], 3, 2)result = np.uint8(background * mask_bg + ori_img * (1 - mask_bg))cv2.imwrite(os.path.join(OUTPUT_DIR, os.path.basename(mask_path)), result)def main():"""推理主函数"""os.makedirs(OUTPUT_DIR, exist_ok=True)os.makedirs(MASK_DIR, exist_ok=True)acl_resource = AclLiteResource()acl_resource.init()seg = Seg(MODEL_PATH, MODEL_WIDTH, MODEL_HEIGHT)ret = seg.init()utils.check_ret("seg.init ", ret)images_list = [os.path.join(IMAGE_DIR, img)for img in os.listdir(IMAGE_DIR)if os.path.splitext(img)[1] in const.IMG_EXT]for image_file in images_list:image_name = os.path.basename(image_file)if image_name != 'background.jpg':print('====' + image_name + '====')# read imageimage = AclLiteImage(image_file)# Preprocess the pictureresized_image = seg.pre_process(image)# Inferenceresult = seg.inference([resized_image, ])# Post-processingmask = seg.post_process(result, image_name)# Fusion of segmented portrait and background imagebackground_replace(os.path.join(IMAGE_DIR, 'background.jpg'), \image_file, os.path.join(MASK_DIR, image_name))