Orange Pi AI Pro 开箱 记录

香橙派 AIpro（OrangePi AIpro）是一款面向AI开发的强大开发板，提供了高性能和多功能的开发环境。我将结合自己的开发经验，详细介绍这款开发板的性能、适用场景及使用体验。

一、产品概述

香橙派 AIpro配备了强大的硬件配置，包括8GB内存、电源、散热组件和32GB存储卡。这些硬件为AI开发提供了充足的资源和稳定的运行环境。

OrangePi AIpro(8T)采用昇腾AI技术路线，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。 Orange Pi AIpro引用了相当丰富的接口，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，可广泛适用于AI边缘计算、深度视觉学习及视频流AI分析、视频图像分析、自然语言处理、智能小车、机械臂、人工智能、无人机、云计算、AR/VR、智能安防、智能家居等领域，覆盖 AIoT各个行业。 Orange Pi AIpro支持Ubuntu、openEuler操作系统，满足大多数AI算法原型验证、推理应用开发的需求。

二、开发体验

1. 硬件安装

安装香橙派 AIpro非常简单，按照官方提供的说明书，连接好电源、散热组件和存储卡，整个过程不到三分钟。

到手后如图所示：有一个板子、一个充电器，然后板子上已经装好了风扇和sd卡，sd卡预装了 orange pi 的 linux 系统（系统是官方定制的Ubuntu20.04，也可以换为openEuler版本）。

2. 系统安装

香橙派 AIpro支持多种操作系统，包括Ubuntu和openEuler。到手的办卡已经内置了Ubuntu系统。如果需要替换，去官网论坛下载其他镜像，通过烧录工具将系统镜像写入存储卡后，插入开发板，接通电源即可启动。

下载地址：http://www.orangepi.cn/html/hardWare/computerAndMicrocontrollers/service-and-support/Orange-Pi-AIpro.html

3.开发板结构


4. 开发环境配置

登录方式主要有两种，一种是通过远程ssh，给香橙派插入网线，然后找到其局域网地址，ssh上即可。另一种是直接给开发板接屏幕、键盘、鼠标。我是后面这种方案。（如下图所示）。

由于Orange Pi AI Pro 已经内置了 wifi 模块，我单独准备的有：

  • 无线鼠标 x 1、无线键盘 x 1
  • 嵌入式屏幕 x 1、hdmi 线（用于连屏幕）x1

刚好我手上都有，所以直接开始下一步。

  • 分别给香橙派、屏幕供电，然后hdmi线连接屏幕，以及插上两个无线键盘鼠标的信号接收器就成功开机啦。【开发板上电后，LED指示灯绿色常亮，表示启动正常。】
  • 刚开机的时候风扇可能会声音比较大，开机后会保持稳定声音变的很小。
  • 效果如下图：

    在Ubuntu系统上，安装Python和TensorFlow等常用的AI开发工具。香橙派 AIpro的8GB内存在运行这些工具时表现出色，开发环境配置过程非常顺畅，没有出现卡顿或性能不足的情况。

三、性能测试

1 图片识别

为了测试香橙派 AIpro的性能，我选择了一个常见的机器学习任务——图像分类。在开发板上运行了一个预训练的卷积神经网络模型，整个推理过程非常流畅，处理速度也很快，充分展示了这款开发板的强大性能。

在 /opt/opi_test 下预置有一些测试代码可以体验。

香橙派默认密码：Mind@123

su # 记得需要root
cd /opt/opi_test
# 这里有很多测试代码，可供学习

cd ResnetPicture/scripts/
bash sample_run.sh
# 如果这里报错大概率是没root登录导致的

2 手写数字识别

参考项目：https://gitee.com/ascend/EdgeAndRobotics/tree/master/Samples/HandWritingTrainAndInfer

git clone https://gitee.com/ascend/EdgeAndRobotics.git
# 切换到样例目录
cd EdgeAndRobotics/Samples/Mnist_For_Pytorch

Pytorch 安装参考官方文档：https://www.hiascend.com/document/detail/zh/canncommercial/700/envdeployment/instg/instg_0046.html

注意版本：PyTorch2.1.0、torchvision1.16.0

# torch_npu由于需要源码编译,速度可能较慢,本样例提供 python3.9,torch2.1版本的torch_npu whl包
wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/wanzutao/torch_npu-2.1.0rc1-cp39-cp39-linux_aarch64.whl

# 使用pip命令安装
pip3 install torch_npu-2.1.0rc1-cp39-cp39-linux_aarch64.whl

配置离线推理所需的环境变量:

# 配置程序编译依赖的头文件与库文件路径
export DDK_PATH=/usr/local/Ascend/ascend-toolkit/latest 
export NPU_HOST_LIB=$DDK_PATH/runtime/lib64/stub

安装离线推理所需的ACLLite库(参考https://gitee.com/ascend/ACLLite）
CANN版本要求： 7.0及以上社区版本。【参考https://www.hiascend.com/zh/document安装CANN】

# 我这里是ubuntu
apt-get install ffmpeg libavcodec-dev libswscale-dev libavdevice-dev
# 拉取ACLLite仓库，并进入目录
git clone https://gitee.com/ascend/ACLLite.git
cd ACLLite

# 设置环境变量，其中DDK_PATH中/usr/local请替换为实际CANN包的安装路径
export DDK_PATH=/usr/local/Ascend/ascend-toolkit/latest
export NPU_HOST_LIB=$DDK_PATH/runtime/lib64/stub

# 安装，编译过程中会将库文件安装到/lib目录下，所以会有sudo命令，需要输入密码
bash build_so.sh

到现在完成了基础环境的安装。下面是运行配置：
设置环境变量减小算子编译内存占用

export TE_PARALLEL_COMPILER=1
export MAX_COMPILE_CORE_NUMBER=1
# 运行训练脚本
python3 main.py

训练脚本后，会自动下载Mnist数据集，数据集目录结构如下：

├── dataset
      ├──MNIST
           ├──raw
                 │──train-labels-idx1-ubyte.gz
                 │──train-labels-idx1-ubyte
                 │──train-images-idx3-ubyte.gz
                 │──train-images-idx3-ubyte
                 │──t10k-labels-idx1-ubyte.gz
                 │──t10k-labels-idx1-ubyte
                 │──t10k-images-idx3-ubyte.gz
                 │──t10k-images-idx3-ubyte

执行以下命令，将训练生成的mnist.pt转换mnist.onnx模型:mnist.onnx模型生成在当前路径下

python3 export.py


执行以下命令，获取在线推理的测试图片。

cd data
wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/wanzutao/mnist/8.jpg

执行在线推理。

cd ../onnxInfer/
python3 infer.py


模型可以正确识别为8。

因为我这里没有usb摄像头，所以就不进行目标检测的演示了。

四、适用场景

香橙派 AIpro适用于多种AI开发场景，包括但不限于：

  • 图像处理：高效的硬件支持图像分类、目标检测等任务，广泛应用于视频图像分析、智能安防等领域。
  • 自然语言处理：强大的计算能力使其能轻松处理文本生成、情感分析等任务，适用于自然语言处理和智能家居等应用。
  • 边缘计算：小巧的体积和低功耗设计，使其在边缘计算中具有显著优势，特别适用于AI边缘计算、智能小车、机械臂和无人机等场景。
  • 深度视觉学习和视频流AI分析：凭借其强大的性能，香橙派 AIpro在深度视觉学习和视频流AI分析中表现出色，可应用于AR/VR和智能安防等领域。
  • 云计算和AIoT：作为AIoT领域的重要设备，香橙派 AIpro覆盖了从云计算到各个AIoT行业的广泛需求。

五、使用感受

总体来说，香橙派 AIpro是一款性能优越的AI开发板，硬件配置强大，开发环境友好，适用于多种AI应用场景。特别是在图像处理和边缘计算方面，表现尤为出色。非常适合硬件创客去做一些DIY应用。

学习资料

香橙派AIpro快速上手指南
香橙派AIpro学习资源一站式导航

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：/a/685857.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！

相关文章

101、对称二叉树

101、对称二叉树

给你一个二叉树的根节点 root ， 检查它是否轴对称。 题解：要确认是否对称，其实就是要同时遍历左右两边的子树，若某一侧的某个节点与其对称的节点不同，则返回false。 先比较根节点的左右节点，若相同则开始递…
阅读更多...
Python 识别图片形式pdf的尝试（未解决）

Python 识别图片形式pdf的尝试（未解决）

想识别出pdf页面右下角某处的编号。pdf是图片形式页面。查了下方法，有源码是先将页面提取成jpg，再用pytesseract提取图片文件中的内容。 直接用图片来识别。纯数字的图片，如条形码，可识别。带中文的不可以，很乱。 识别…
阅读更多...
uniapp小程序src引用服务器图片时全局变量与图片路径拼接

uniapp小程序src引用服务器图片时全局变量与图片路径拼接

理论上&#xff0c;应该在main.js中定义一个全局变量&#xff0c;然后在页面的<image>标签上的是src直接使用即可 main.js 页面上 看上去挺靠谱的&#xff0c;实际上小程序后台会报一个错 很明显这种方式小程序是不认的&#xff0c;这就头疼了&#xff0c;还想过另外一个…
阅读更多...
Linux本地搭建DataEase并发布公网远程访问进行数据分析

Linux本地搭建DataEase并发布公网远程访问进行数据分析

文章目录 前言1. 安装DataEase2. 本地访问测试3. 安装 cpolar内网穿透软件4. 配置DataEase公网访问地址5. 公网远程访问Data Ease6. 固定Data Ease公网地址 前言 DataEase 是开源的数据可视化分析工具&#xff0c;帮助用户快速分析数据并洞察业务趋势&#xff0c;从而实现业务…
阅读更多...
MySQL之查询性能优化(八)

MySQL之查询性能优化(八)

查询性能优化 MySQL查询优化器的局限性 MySQL的万能"嵌套循环"并不是对每种查询都是最优的。不过还好&#xff0c;MySQL查询优化器只对少部分查询不适用&#xff0c;而且我们往往可以通过改写查询让MySQL高效地完成工作。还有一个好消息&#xff0c;MySQL5.6版本正…
阅读更多...
JavaWeb3 Ajax+Axios+Element+Nginx部署

JavaWeb3 Ajax+Axios+Element+Nginx部署

Ajax 异步JS和XML 1.数据交换&#xff1a;给服务器发送请求&#xff0c;并获取服务器相应的数据 2.异步交互&#xff1a;在不重新加载整个页面的情况下&#xff0c;与服务器交换数据并更新部分网页 同步与异步 原生Ajax <!DOCTYPE html> <html> <body><…
阅读更多...
德国80%的统计学教授都会答错的6个与P值有关的问题！

德国80%的统计学教授都会答错的6个与P值有关的问题！

小编阅读了一篇发表于2002年关于P值的一项问卷调查研究 [1]&#xff0c;作者在6所德国大学中邀请了3组不同的受试者&#xff0c;分别为: 心理学专业的学生(n 44)&#xff1b;主要从事科学研究但不进行统计相关教学的教授和讲师(n 39)&#xff1b;进行统计相关教学的教授和讲师…
阅读更多...
vs2022专业版永久密钥

vs2022专业版永久密钥

vs2022专业版永久密钥&#xff1a; vs2022专业版永久密钥&#xff1a; Visual Studio 2022 Enterprise&#xff1a;VHF9H-NXBBB-638P6-6JHCY-88JWH Visual Studio 2022 Professional&#xff1a;TD244-P4NB7-YQ6XK-Y8MMM-YWV2J
阅读更多...
大模型高级 RAG 检索策略之混合检索

大模型高级 RAG 检索策略之混合检索

古人云&#xff1a;兼听则明&#xff0c;偏信则暗&#xff0c;意思是要同时听取各方面的意见&#xff0c;才能正确认识事物&#xff0c;只相信单方面的话&#xff0c;必然会犯片面性的错误。 在 RAG&#xff08;Retrieval Augmented Generation&#xff09;应用中也是如此&…
阅读更多...
UE Editor API 整理

UE Editor API 整理

UE Editor API 整理 过一下 https://github.com/20tab/UnrealEnginePython/blob/master/docs/&#xff0c;熟悉一下编辑器 API&#xff0c;方便后续编辑器脚本开发 后续的目标是所有编辑器操作应该都可以脚本化&#xff08;自动化&#xff09;&#xff0c;这样把 GPT 接进 UE…
阅读更多...
WEB-Wordlist-Generator：为扫描后的Web应用生成相关联的字典

WEB-Wordlist-Generator：为扫描后的Web应用生成相关联的字典

关于WEB-Wordlist-Generator WEB-Wordlist-Generator是一款功能强大的字典生成工具&#xff0c;该工具旨在帮助广大研究人员扫描目标Web应用程序并生成与之相关联的字典文件&#xff0c;从而允许我们对相关的网络威胁行为执行预备性应对策略。 功能介绍 当前版本的WEB-Wordli…
阅读更多...
CAN总线学习笔记-CAN帧结构

CAN总线学习笔记-CAN帧结构

数据帧 数据帧&#xff1a;发送设备主动发送数据&#xff08;广播式&#xff09; 标准格式的11ID不够用了&#xff0c;由此产生了扩展格式 SOF&#xff1a;帧起始&#xff0c;表示后面一段波形为传输的数据位 ID&#xff1a;标识符&#xff0c;区分功能&#xff0c;同时决定优…
阅读更多...
旭日X3与英伟达Orin NX通过TCP传输图片

旭日X3与英伟达Orin NX通过TCP传输图片

观前提醒&#xff1a;本文主要内容为使用Python在局域网内建立TCP连接并传输图片信息&#xff0c;计算机为一块旭日X3和一块英伟达Orin NX。 一、什么是TCP TCP&#xff08;传输控制协议&#xff09;是一种可靠的、面向连接的协议&#xff0c;它确保数据包的顺序传输和完整性…
阅读更多...
工厂设备数采对接数字化平台

工厂设备数采对接数字化平台

在数字化转型的浪潮下&#xff0c;工厂设备数据采集与数字化平台对接已成为提升生产效率、降低运维成本的关键手段。HiWoo Cloud作为工业物联网软件平台&#xff0c;以其卓越的性能和丰富的功能&#xff0c;为众多企业提供了全面、高效的设备数采对接数字化平台解决方案。本文将…
阅读更多...
hutool工具实践-缓存

hutool工具实践-缓存

简介 依赖引入 <dependency><groupId>cn.hutool</groupId><artifactId>hutool-cache</artifactId><version>5.8.17</version></dependency> hutool工具既可以像上一章hutool工具实践-验证码-CSDN博客所说直接全部引入&#x…
阅读更多...
用idea将java文件打成jar包

用idea将java文件打成jar包

一、用idea将java文件打成jar包 1、在idea上选择file—Project Structure 2、Artifacts —点–JAR—From modules with dependencies 3、选择要打包的java文件 4、Build — Build Artifacts 5、找到刚才添加的Artifacts直接Build 6、生成jar包文件
阅读更多...
钢轨行业的数字化转型：全生命周期管理与智能化决策支持

钢轨行业的数字化转型：全生命周期管理与智能化决策支持

引言 随着时代的发展和技术的进步&#xff0c;数字化转型已经成为各行各业实现创新和提升竞争力的重要途径。在钢轨行业&#xff0c;数字化转型不仅是跟上时代潮流的必然选择&#xff0c;更是推动行业发展、提高效率和保障安全的关键举措。 钢轨作为铁路交通的基础设施之一&am…
阅读更多...
余承东的“狂”，李想学不会

余承东的“狂”，李想学不会

理想MEGA失利的连锁反应还在继续&#xff0c;李想第三次下调了今年的销量目标。 今年早些时候&#xff0c;李想还踌躇满志&#xff0c;提出今年销量目标为80万辆&#xff0c;这要比2023年37.6万辆的成绩翻了一倍不止,还喊出实现“中国市场豪华汽车品牌销量第一”的宣言。3月初…
阅读更多...
ES6真题合集（一）

ES6真题合集（一）

ES6真题合集&#xff08;一&#xff09; 1. var、let、const之间的区别2. ES6中数组新增了哪些扩展2.1 扩展运算符2.2 Array.from() 方法2.3 Array.of() 方法2.4 find() 和 findIndex() 方法2.5 箭头函数2.6 模板字符串 3. ES6中对象新增了哪些扩展3.1 属性的简写3.2 属性名表达…
阅读更多...
ssh远程管理yum源进阶

ssh远程管理yum源进阶

文章目录 sshNFS 共享存储服务实验yum的进阶使用Apanche做一个网页形式的源用vsftpd做一个源混合源 ssh ssh是一种安全通道协议&#xff0c;用来实现字符界面的远程登录&#xff0c;远程复制&#xff0c;远程文本传输 ssh对通信双方的数据进行了加密 用户名和密码登录 秘钥…
阅读更多...
最新文章

Copyright @ 2022~2023