🌈个人主页: 鑫宝Code
🔥热门专栏: 闲话杂谈｜ 炫酷HTML | JavaScript基础
💫个人格言: "如无必要，勿增实体"
文章目录
- Orange Pi: 探索开源硬件的魅力
- 引言
- Orange Pi概述
- OrangePi AIPro产品介绍
- 试用体验
- 安装前准备
- 开机联网
- 体验 AI 应用样例
- Image_HDR_Enhance样例
- CartoonGAN 图像风格迁移
- 开源项目--给视频人物加上眼线
- 写在最后
- 负载能力
- 散热效能
- 噪音控制
Orange Pi: 探索开源硬件的魅力
引言
在嵌入式系统的世界里，开源硬件平台如Raspberry Pi和Arduino早已成为创新者、教育者和爱好者的首选。然而，在这个领域中，还有一颗璀璨的明星——Orange Pi。本文将深入探索Orange Pi的起源、特点以及其在教育、项目开发和物联网应用中的潜力。
Orange Pi概述
什么是Orange Pi？
Orange Pi是深圳市橙子科技有限公司开发的一系列开源单板计算机（SBC）。它以提供高性价比的硬件解决方案而闻名，旨在为开发者提供一个功能强大且成本低廉的开发平台。
历史与背景
Orange Pi项目始于2014年，起初是为了与Raspberry Pi竞争，但很快发展出自己的特色。Orange Pi不断推出新的版本，从最初的H2+到后来的Zero Plus2、Orange Pi 4等，每一款都针对不同的需求进行了优化。
OrangePi AIPro产品介绍
| 特性 | 描述 |
|---|---|
| 处理器 | 4核64位处理器 + AI处理器 |
| AI算力 | 支持8-12TOPS |
| 内存 | 8GB / 16GB LPDDR4X |
| 存储 | 可外接32GB / 64GB / 128GB / 256GB eMMC模块 |
| 图形处理器 | 集成 |
| 显示输出 | 双4K HDMI输出 |
| - HDMI输出 | x2 |
| - M.2插槽 | 支持SATA/NVMe SSD 2280 |
| - USB 3.0 | x2 |
| - Micro USB | （串口打印调试功能） |
| - MIPI摄像头接口 | x2 |
| - 电池接口 | 预留 |
| 应用领域 | AI边缘计算、深度视觉学习、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 |
| 操作系统支持 | Ubuntu, openEuler |
| 用途 | AI算法原型验证、推理应用开发 |
详情查看官网链接
试用体验
安装前准备
| 设备名称 | 描述 |
|---|---|
| Type-C PD-65W适配器 | 提供电力输入，用于为开发板供电。 |
| 32G TF卡 | 已经由官方预置，包含基本的操作系统或固件。 |
| 开发板 | 包括散热风扇等配件已安装完毕，核心硬件。 |
| TF卡读卡器 | 用于将TF卡连接至电脑，以便烧录新的操作系统或固件。 |
| HDMI线 | 用于连接开发板的HDMI输出端口至显示器或笔记本的HDMI输入端口。 |
| 显示屏 | 可选，如果你计划使用笔记本的屏幕，需要确保它支持HDMI输入。 |
| 有线键盘 | 用于输入命令和文本，确保与开发板的USB或Type-C接口兼容。 |
| 有线鼠标 | 提供额外的控制方式，确保与开发板的USB或Type-C接口兼容。 |
个人需要准备
HDMI线,显示器,有线键盘和有线鼠标就可以啦。官方自带了32G TF卡和烧录好的镜像文件😍
开机联网
我们将相关线材都插入后，就可以点亮机器了。当电源插上的时候。我们可以看到显示器上显示如下的画面。
这里密码是
Mind@123
输入密码后，我们就进入了系统，我们先连接WiFi,点击右上角的WiFi图标，选择要连接的WiFi即可。
体验 AI 应用样例
根据文档所言，我们进入samples目录，能看到8个项目文件，以及一个start_notebook.sh 文件，我们运行start_notebook.sh 文件，本地启动一个Jupyter 环境。我们复制本地的URL到浏览器打开。
项目运行时，开发版的温度在40多度左右，摸上去稍微发烫，还是不错的👍
cd samples/
./start_notebook.sh
这样我们就可以看到对应的Jupyter网页了。
这里有8个项目，我选择了2个感兴趣的项目进行运行。
Image_HDR_Enhance样例
这个项目主要是对曝光不足的项目进行HDR效果增强。
我们点击Jupyter notebook进行运行。
可以看到结果如上所示，消耗的时候是264ms ,可以看出这块开发版的AI性能还是蛮快的。
CartoonGAN 图像风格迁移
这个项目主要是对图像进行卡通处理话，我们仍然点击Jupyter notebook进行运行。
原图是这样的，
经过动画后，可以看到运行结果如下：
开源项目–给视频人物加上眼线
既然OrangePi AIpro 擅长AI 推理，那我们能够想到的就是采用一些比较流行的OpenCV项目来进行验证。
目前采用的项目地址如下：
https://github.com/kaushil24/Artificial-Eyeliner/
项目概述
本项目的核心在于开发一种智能算法，旨在为静态图像中的面部自动添加眼线效果。这一过程涉及多个步骤，从精准定位面部特征开始，到细致描绘眼部轮廓，最终实现自然美观的眼线增强。以下是整个流程的精炼概述：
关键点提取
算法首先从每张人脸中精确提取出68个关键界标点，其中特别关注于与眼睛相关的第37至48号点，这些点构成了左眼和右眼的上下边缘。
插值技术
为了创建流畅且自然的眼线，我们对提取的关键点进行插值处理，通过在相邻点间增加虚拟点来构建平滑的线条。这一过程确保了眼线的连续性和美感。
眼线算法
流程图清晰地勾勒出了算法的执行逻辑：
- 首先，利用OpenCV将图像转化为NumPy数组，便于数学运算和图像处理。
- 接着，通过
face_detector()函数定位脸部边界框，获取关键的坐标信息。 - 对于每一帧中的每一副脸庞，提取68个特征点，并从中选取与眼睛相关的点集。
- 使用
getEyeLandmarkPts()函数，进一步细化为四个矩阵，分别代表左眼的上眼睑、下眼睑，以及右眼的相应部分。
def getEyeLandmarkPts(face_landmark_points):'''Input: Coordinates of Bounding Box single faceReturns: eye's landmark points'''face_landmark_points[36][0]-=5face_landmark_points[39][0]+=5face_landmark_points[42][0]-=5face_landmark_points[45][0]+=5L_eye_top = face_landmark_points[36: 40]L_eye_bottom = np.append(face_landmark_points[39: 42], face_landmark_points[36]).reshape(4,2)R_eye_top = face_landmark_points[42: 46]R_eye_bottom = np.append(face_landmark_points[45:48], face_landmark_points[42]).reshape(4,2)return [L_eye_top, L_eye_bottom, R_eye_top, R_eye_bottom]
- 为达到更加逼真的视觉效果，调整端点位置，使其略微向外延伸，增加眼线的连贯性。
- 运用
interpolateCoordinates()函数对每条曲线进行插值，确保线条的流畅度。
def interpolateCoordinates(xy_coords, x_intrp):x = xy_coords[:, 0]y = xy_coords[:, 1]intrp = interp1d(x, y, kind='quadratic')y_intrp = intrp(x_intrp)y_intrp = np.floor(y_intrp).astype(int)return y_intrp
- 最后，通过
drawEyeLiner()函数，基于插值后的坐标，绘制出连续的眼线，分别针对左眼和右眼。
def drawEyeliner(img, interp_pts):L_eye_interp, R_eye_interp = interp_ptsL_interp_x, L_interp_top_y, L_interp_bottom_y = L_eye_interpR_interp_x, R_interp_top_y, R_interp_bottom_y = R_eye_interpoverlay = img.copy()# overlay = np.empty(img.shape)# overlay = np.zeros_like(img)for i in range(len(L_interp_x)-2):x1 = L_interp_x[i]y1_top = L_interp_top_y[i]x2 = L_interp_x[i+1]y2_top = L_interp_top_y[i+1]cv2.line(overlay, (x1, y1_top), (x2, y2_top), color, thickness)y1_bottom = L_interp_bottom_y[i]y2_bottom = L_interp_bottom_y[i+1]cv2.line(overlay, (x1, y1_bottom), (x1, y2_bottom), color, thickness)for i in range(len(R_interp_x)-2):x1 = R_interp_x[i]y1_top = R_interp_top_y[i]x2 = R_interp_x[i+1]y2_top = R_interp_top_y[i+1]cv2.line(overlay, (x1, y1_top), (x2, y2_top), color, thickness)y1_bottom = R_interp_bottom_y[i]y2_bottom = R_interp_bottom_y[i+1]cv2.line(overlay, (x1, y1_bottom), (x1, y2_bottom), color, thickness)# background = Image.fromarray(img) # .convert("1")# foreground = Image.fromarray(overlay).convert("1")# newImg = Image.composite(foreground, background, foreground)#, mask='1')# # img = cv2.bitwise_and(overlay, img)# return cv2.cvtColor(np.array(newImg), cv2.COLOR_RGB2BGR)overlay_crop = overlay[min(L_interp_bottom_y) - 50 : max(L_interp_top_y) + 50, L_interp_x[0]-50 : L_interp_x[-1] + 50 ]# print(max(L_interp_top_y) + 15, min(L_interp_bottom_y) - 15, L_interp_x[0]-10, L_interp_x[-1] + 10 )return overlay, overlay_crop
调用项目
该项目的用发非常简单，首先从Github上克隆到本地
git clone https://github.com/kaushil24/Artificial-Eyeliner/
接下来，打开命令提示符并键入以下代码以运行示例测试
# 安装依赖文件
pip install -r requirements.txt
python3 eyeliner.py -v "Media/Sample Video.mp4"
我们也可以通过将视频路径放在参数中来使用自己的视频。完整的CLI命令如下：
python eyeliner.py [-i image] [-v video] [-d dat] [-t thickness] [-c color] [-s save]
每个参数的具体含义如下：
- i ：要在其上绘制眼线的图像的路径
- v ：要在其上绘制眼线的视频的路径。
- v ：也可以通过网络摄像头获取视频。例如：python3 -v webcam -s “Webcam output”
- t ：整数（整数）以设置眼线的厚度。默认值= 2。推荐的数值介于1-5之间
- d：shape_predictor_68_face_landmarks.dat文件的路径。默认路径在根目录中。除非将shape_predictor_68_face_landmarks.dat文件存储在其他位置，否则不需要使用此参数。
- c ：更改眼线的颜色。语法-c 255 255 255。默认值= 0 0 0。其中每个数字代表其RGB值。
- s ：要将输出保存到的位置和文件名。注意程序在保存文件时会自动添加扩展名。如果已经存在同名文件，它将覆盖该文件。
采用项目的数据我们可以得到如下的图：
写在最后
负载能力
此款开发版展现出了惊人的负载处理能力，它不仅在处理图片HDR上，甚至在视频上都有着很快的速度，在HDR上小号的的时间是200多ms,在视频给人物加上眼线也表现的很出色。
散热效能
在散热设计上，Orange AI Pro同样交出了一份满意的答卷。即便在连续运行1小时的高强度测试中，得益于其内置的高效散热风扇，主板温度始终维持在一个令人安心的低位。
噪音控制
在噪音控制方面，Orange AI Pro再次展现了其细腻的设计考量。除了启动的瞬间，会听到轻微的启动声，日常运行中，无论是执行繁重的AI模型运算，还是进行常规任务处理，其静谧无声的表现几乎让人忘记了风扇的存在，营造出一个宁静而专注的工作环境，体现了其在用户体验上的精益求精。
确实，Orange Pi AIpro作为一款源自本土创新的开发板，其设计思路和易用性令人赞叹。遵循详尽的官方文档，即便是初学者也能迅速上手，仿佛一位亲切的导师引领着每一步操作，让复杂的技术变得触手可及。
更让人瞩目的是，这款开发板搭载了令人印象深刻的8至20TOPS的AI算力，犹如一颗强劲的心脏，为前沿的AI探索注入了无限活力。丰富的扩展接口，如同一块空白的画布，等待着开发者们挥洒创意，无论是智能家居的智慧构建，还是物联网领域的无尽可能，Orange Pi AIpro都展现出了非凡的潜力和适应性。
它的到来，仿佛是一位多才多艺的艺术家，既能在智能家居的舞台上大放异彩，又能游刃有余地穿梭于各式各样的AIoT场景之中。凭借着卓越的性能和高度的灵活性，Orange Pi AIpro无疑是嵌入式AI领域的一股清流，为未来的项目研发铺设了一条充满机遇的道路，其稳定性和可靠性更是为创新之旅保驾护航。
总之，Orange Pi AIpro不仅仅是一款开发板，它是通往未来智能世界的一把钥匙，引领着我们走向更加智能、互联的生活。。
参考资料：
【香橙派教程】Orange Pi AIpro一键上手及黑科技功能演示
