OrangePi Kunpeng Pro ——信创再接力

1. 绪论

​ 最近收到CSDN邀请，对OrangePi Kunpeng Pro 进入深入测评体验，感谢CSDN送来的OrangePi Kunpeng Pro开发板。作为AI开发者，我之前主要从事信创支持工作，曾经使用过寒武纪、昇腾、瑞芯微等厂商的开发板。这次收到新款的OrangePi Kunpeng Pro开发板，我感到非常兴奋，并决定展开一系列详细的测评。通过这次试用，我希望能够深入了解这款开发板的性能和应用潜力，并与大家分享我的开发经验和心得体会。

1.1 开箱

开机示例图，配置充电线：

系统打开界面图，采用开源OpenEuler系统，连接WIFI：

2. 硬件介绍

2.1 硬件配置

OrangePi Kunpeng Pro是一款基于ARM架构的高性能开发板，配备了强大的处理器和丰富的接口，适用于物联网、智能家居、机器人等多种应用场景。其主要特点包括：

• 高性能处理器：采用4核64位处理器+AI处理器，集成图形处理器，支持8TOPS AI算力，拥有8GB/16GB LPDDR4X，可以外接32GB/64GB/128GB/256GB eMMC模块，支持双4K高清输出。本次收到OrangePi Kunpeng Pro为8GB+32GB.
• 丰富接口，包括两个HDMI输出、GPIO接口、Type-C电源接口、支持SATA/NVMe SSD 2280的M.2插槽、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，预留电池接口等。
• 支持信创：支持openEuler操作系统，开箱默认安装；
• AI推理能力：满足大多数AI算法原型验证、推理应用开发的需求，同时可以为各种应用场景提供更高效的算力，如云计算、大数据、分布式存储、高性能计算等。

2.2 硬件清单

名称	类型
处理器	4 核 64 位 Arm 处理器（鲲鹏）
内存	类型: LPDDR4X 容量: $8GB$ 或 $16GB$
存储	板载 32MB 的 SPI Flash Micro SD 卡插槽 eMMC 插座: 可外接 eMMC 模块 M. 2 M-Key 接口: 可接 2280 规格的 NVMe SSD 或 SATA SSD
以太网	支持 $10/100/1000\mathrm{Mbps}$ ・板载 PHY 芯片: RTL8211F
Wi-Fi+蓝牙	支持 $2.4\mathrm{G}$ 和 $5\mathrm{G}$ 双频 WIFI - BT4. 2 模组: 欧智通 $6221\mathrm{BUUC}$
USB	2 个 USB3. 0 Host 接口 1 个 Type-C 接口 (只支持 USB3.0, 不支持 USB2.0)
摄像头	2 个 MIPI CSI 2 Lane 接口
显示	2 个 HDMI 接口 1 个 MIPI DSI 2 Lane 接口
音频	1 个 $3.5\mathrm{mm}$ 耳机孔, 支持音频输入输出

3. 网络测试

3.1 有线连接

连接本地网线，通过ssh登录

ssh openEuler@192.168.x.x

登录成功后，通过ifconfig查看分配的网络地址

ifconfig

3.2 WIFI连接

查看周围热点信息；

nmcli dev wifi

4.查看系统配置

lacpu

# 查看内存信息
free -h 

## 查看
lsblk 

## 查看npu
npu-smi info
### 发现这里初始化的时候npu驱动出现问题，后续更新；

5. 安装常用软件

5.1 安装python

5.1.1 更换pip源为国内清华源

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
pip config set global.trusted-host https://pypi.tuna.tsinghua.edu.cn

5.2 安装docker

​ 开源的应用容器引擎，让开发者可以打包他们的应用以及依赖包到一个可移植的镜像中，然后发布到任何流行的操作系统上，也可以实现虚拟化部署。

sudo yum install docker -y

# 查看docker -v 版本
docker -v 

5.3 安装opencv

​ OpenCV是开源计算机视觉库的简称，是一个基于Apache2.0许可（开源）发行的跨平台计算机视觉和机器学习软件库，可以运行在Linux、Windows、Android和Mac OS操作系统上。它轻量级而且高效——由一系列 C 函数和少量 C++ 类构成，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。

pip install opencv-python

import cv2
print(cv2.__version__)

5.4 安装dlib

​ Dlib，包含用于在C ++中创建复杂软件以解决实际问题的机器学习算法和工具。广泛应用于工业界和学术界，包括机器人，嵌入式设备，移动电话和大型高性能计算环境。

pip3 install  dlib

运行一下程序，基于opencv和dlib库实现人脸嘴、眉毛 等部位；

#导入工具包
from collections import OrderedDict
import numpy as np
import argparse
import dlib
import cv2

#https://ibug.doc.ic.ac.uk/resources/facial-point-annotations/
#http://dlib.net/files/

# 参数
ap = argparse.ArgumentParser()
ap.add_argument("-p", "--shape-predictor", default="shape_predictor_68_face_landmarks.dat",
	help="path to facial landmark predictor")
ap.add_argument("-i", "--image", default="images/liudehua2.jpg",
	help="path to input image")
args = vars(ap.parse_args())

FACIAL_LANDMARKS_68_IDXS = OrderedDict([
	("mouth", (48, 68)),
	("right_eyebrow", (17, 22)),
	("left_eyebrow", (22, 27)),
	("right_eye", (36, 42)),
	("left_eye", (42, 48)),
	("nose", (27, 36)),
	("jaw", (0, 17))
])


FACIAL_LANDMARKS_5_IDXS = OrderedDict([
	("right_eye", (2, 3)),
	("left_eye", (0, 1)),
	("nose", (4))
])

def shape_to_np(shape, dtype="int"):
	# 创建68*2
	coords = np.zeros((shape.num_parts, 2), dtype=dtype)
	# 遍历每一个关键点
	# 得到坐标
	for i in range(0, shape.num_parts):
		coords[i] = (shape.part(i).x, shape.part(i).y)
	return coords

def visualize_facial_landmarks(image, shape, colors=None, alpha=0.75):
	# 创建两个copy
	# overlay and one for the final output image
	overlay = image.copy()
	output = image.copy()
	# 设置一些颜色区域
	if colors is None:
		colors = [(19, 199, 109), (79, 76, 240), (230, 159, 23),
			(168, 100, 168), (158, 163, 32),
			(163, 38, 32), (180, 42, 220)]
	# 遍历每一个区域
	for (i, name) in enumerate(FACIAL_LANDMARKS_68_IDXS.keys()):
		# 得到每一个点的坐标
		(j, k) = FACIAL_LANDMARKS_68_IDXS[name]
		pts = shape[j:k]
		# 检查位置
		if name == "jaw":
			# 用线条连起来
			for l in range(1, len(pts)):
				ptA = tuple(pts[l - 1])
				ptB = tuple(pts[l])
				cv2.line(overlay, ptA, ptB, colors[i], 2)
		# 计算凸包
		else:
			hull = cv2.convexHull(pts)
			cv2.drawContours(overlay, [hull], -1, colors[i], -1)
	# 叠加在原图上，可以指定比例
	cv2.addWeighted(overlay, alpha, output, 1 - alpha, 0, output)
	return output

# 加载人脸检测与关键点定位
detector = dlib.get_frontal_face_detector()
predictor = dlib.shape_predictor(args["shape_predictor"])

# 读取输入数据，预处理
image = cv2.imread(args["image"])
(h, w) = image.shape[:2]
width=500
r = width / float(w)
dim = (width, int(h * r))
image = cv2.resize(image, dim, interpolation=cv2.INTER_AREA)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 人脸检测
rects = detector(gray, 1)

# 遍历检测到的框
for (i, rect) in enumerate(rects):
	# 对人脸框进行关键点定位
	# 转换成ndarray
	shape = predictor(gray, rect)
	shape = shape_to_np(shape)

	# 遍历每一个部分
	for (name, (i, j)) in FACIAL_LANDMARKS_68_IDXS.items():
		clone = image.copy()
		cv2.putText(clone, name, (10, 30), cv2.FONT_HERSHEY_SIMPLEX,
			0.7, (0, 0, 255), 2)

		# 根据位置画点
		for (x, y) in shape[i:j]:
			cv2.circle(clone, (x, y), 3, (0, 0, 255), -1)

		# 提取ROI区域
		(x, y, w, h) = cv2.boundingRect(np.array([shape[i:j]]))
		
		roi = image[y:y + h, x:x + w]
		(h, w) = roi.shape[:2]
		width=250
		r = width / float(w)
		dim = (width, int(h * r))
		roi = cv2.resize(roi, dim, interpolation=cv2.INTER_AREA)
		
		# 显示每一部分
		cv2.imshow("ROI", roi)
		cv2.imshow("Image", clone)
		cv2.waitKey(0)

	# 展示所有区域
	output = visualize_facial_landmarks(image, shape)
	cv2.imshow("Image", output)
	cv2.waitKey(0)

6.CPU多进程能力测试

基于python 脚本执行OrangePi Kunpeng Pro CPU ；创建3个进程分别执行冒泡排序算法并测量执行时间进行测试。

import time
import random
import multiprocessing

def bubble_sort(arr):
    n = len(arr)
    for i in range(n):
        for j in range(0, n-i-1):
            if arr[j] > arr[j+1]:
                arr[j], arr[j+1] = arr[j+1], arr[j]

def measure_performance():
    arr = [random.randint(0, 10000) for _ in range(10000)]
    start_time = time.time()
    bubble_sort(arr)
    end_time = time.time()
    return end_time - start_time

def process_task(process_id):
    execution_time = measure_performance()
    print(f"进程 {process_id} 冒泡排序算法执行时间: {execution_time:.5f} 秒")

if __name__ == "__main__":
    processes = []
    for i in range(3):
        process = multiprocessing.Process(target=process_task, args=(i,))
        processes.append(process)
        process.start()
    
    for process in processes:
        process.join()

1. bubble_sort函数执行冒泡排序算法。
2. measure_performance函数生成一个随机数组并测量冒泡排序的执行时间。
3. process_task函数是每个进程要执行的任务，它调用measure_performance并打印执行时间。
4. 主程序创建并启动3个进程，每个进程执行一次冒泡排序算法，并等待所有进程完成。

7. 测评总结

​ 编译和运行环境编译工具，支持 cmake、c++ 编译环境，运行环境，可以运行Python；扩展性接口丰富；OrangePi Kunpeng Pro配备了多种接口和扩展槽，提供了灵活的扩展性，能够满足不同的应用需求。从开发板到小型服务器都可以胜任。系统表现稳定性上，在实际应用中，OrangePi Kunpeng Pro测试冒泡排序，CPU执行稳定，多进程能力执行稳定；

​ 本来这次想测试AI能力的，官方文档上面没找到该板子的AI推理相关内容，希望后续补充吧，能够测试推理AI模型；openEuler 系统的应用，在打开应用后，应用软件没有放大窗口按钮，测试代码案例中，容易出现核转储问题，生态社区、兼容性还需要加强；

总体来说，还是一款性能非常强劲且功能齐全的板子，期待有更多的使用案例及生态输出；