【米尔边缘AI计算盒FZ5测评】pynq框架——Helloworld!

zzx1997

【米尔边缘AI计算盒FZ5测评】pynq框架——Helloworld! [复制链接]

本次将进行PYNQ框架的第一个例程，该例程将使用两种方法实现图像缩放，图像缩放的最经典算法为双线性插值，期间存在着大量的计算，所以首先将在ARM内核上实现该算法，然后利用FPGA部分进行计算任务的卸载，最终对比两种方法得到的效果。首先利用HLS生成计算加速所需要的硬件IP，打开HLS的命令行窗口，首先对tcl脚本进行简单的修改，主要修改的是芯片的型号：

改完以后运行./build_ip.sh命令，得到对应的加速IP。下面就需要进行Vivado工程的搭建，基于之前移植PYNQ框架所用的Vivado工程，首先将PL端的输出时钟频率修改为100M：

再打开两个AXI总线接口，并且数据宽度均设置为128：

然后根据基本的硬件连接框图如下所示：

根据上述框图构建BD文件，构建得到的结果如下所示：

为了生成该BD文件，同样可以使用Github中提供的TCL命令，然后将bit文件、tcl文件和hwh文件改成相同的名称上传至PYNQ开发板。然后首先运行PS部分的示例：

首先说明了实现的基本功能：

该功能主要将640*360大小的图片转换为320*180大小的图片，实现的具体过程主要使用了PIL库。运行可以看到输入图片的尺寸为640*360：

下面展示了经过缩放以后的图片，其尺寸为320*180，并且最佳的计算时间为9.96ms：

下面运行利用PL进行加速的示例，其利用PL侧进行缩放过程的计算，并且使用DMA模块进行数据传输，减少了PS侧的计算负载，值得注意的是这里需要根据自己bit文件的路径修改：

进行IP挂载，图片读取等操作，然后使用xlnk开辟合适的缓冲区：

然后向IP中写入合适的控制参数，然后得到缩放以后的图片，发现结果正确：

利用PL侧计算仅需4.59ms，PL部分实现了计算加速的效果：

实验完成，通过本次实验我们了解了PS和PL联合开发的基本流程，熟悉了利用PYNQ框架进行算法加速的基本思路。

 

 

 

 

Jacktang

bit文件、tcl文件和hwh文件为什么要修改相同的名字才能上传到PYNQ开发板

总体看PS和PL联合开发优势明显

 

freebsder

可惜没板子，看看不过瘾。