香橙派 AIpro开发板开箱测评（代码开源）

前言：有幸能够收到一块梦寐以求的 AI 边缘计算开发板 OrangePi AIpro，非常感谢官方大大给予的宝贵机会。OrangePi AIpro是香橙派官方跟华为昇腾合作的新一代边缘计算产品，其使用华为昇腾 AI 技术路线，搭配集成图像处理器，拥有 8GB/16GB LPDDR4X，是一款非常优秀的 Artificial intelligence(AI) 开发板。本篇博客将以 OrangePi AIpro 开发板进行全面测评与部署实战，希望帮助读者朋友去全面且深入了解这款强大的 AI 边缘计算开发板，加速推进 AI 部署国产化进程。

香橙派 AIpro实物：

香橙派 AIpro案例：

OrangePi AIpro资料推荐网址：

香橙派官网：香橙派(Orange Pi)-Orange Pi官网-香橙派开发板

昇腾官网：昇腾社区-官网丨昇腾万里让智能无所不及 (hiascend.com)

一、香橙派 AIPro概述

1.1 香橙派 AIPro介绍

香橙派 AIpro是目前市场上首款搭载华为昇腾 AI 芯片的开发板，OrangePi AIpro拥有极佳的颜值与性能，其香橙派官方也给予了非常优秀的技术服务支持。搭载华为昇腾 AI 芯片的香橙派 AIpro拥有超强的 8/20 TOPS AI算力，能够满足各种人工智能算法部署的算力需求。8GB/16GB LPDDR4X 的运行内存，使得 OrangePi AIpro 可以满足长时间高性能的部署任务。其支持外接 32GB/64GB/128GB/256GB的 EMMC 模块，使得 OrangePi AIpro 满足超大数据与程序存储的需求。

OrangePi AIpro硬件总结：

1、CPU与AI算力：搭载 4 核 64 位处理器 + AI 处理器（华为自研的 Ascend310 芯片），提供 8/20TOPS 的AI算力，能够有效地加速目标识别、图像分类等 AI 应用。

2、内存和存储：支持 8/16GB LPDDR4X运行内存，并可以外接 32GB/64GB/128GB/256GB EMMC 模块。此外，香橙派AI Pro还支持 SATA/NVMe SSD 2280 的 M.2 插槽，提供更多的存储选项。

3、丰富的接口：包括两个 HDMI 输出、GPIO 接口、Type-C 电源接口、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 摄像头接口和一个 MIPI 屏接口。

4、操作系统支持：支持 Ubuntu 和 openEuler 操作系统，适合大多数AI算法原型验证和推理应用开发。

5、应用场景：适用于 AI 边缘计算、深度视觉学习、视频流 AI 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。

6、配套开发工具：提供 MindStudio 全流程开发工具链，以及一键镜像烧录工具和模型适配工具，方便开发者快速上手和使用。

1.2 香橙派 AIpro算力评估

算力测试：作者分别使用 ResNet50 和 Yolov8n 进行实验，这两种神经网络模型是图像识别和目标检测的热门模型。并分别在两台机器上部署 “INT8 量化的模型”，测试 NPU 的性能差异。此外还请出了 NVIDIA 的非常优秀的显卡产品 RTX2060，4年前的产品。如今NVIDIA RTX2060 在二级市场的售价与香橙派 AIpro & RK3588 价值相当。

Artificial intelligence 模型推断速度：

	香橙派 AIpro	RK3588	RK3588(多任务)	RTX2060
推理平台	MindX(INT8)	RKNN(INT8)	RKNN	Tensorrt(fp16)
NPU调用	-	第1个核心	3个核心	-
进程数	1	1	3进程任务分配	1
ResNet50速度	291	110	307	1034
Yolov8n速度	87	21	67	652

算力测试概述：

单任务场景下（用户一般场景），香橙派 AIpro 都比 RK3588 更快。此时 RK3588 只有 1 个 NPU 核心在运行。ResNet50 推断中，香橙派 AIpro 是 2.7x 速度提升；YOLOv8n 是 3.9x 速度提升（RK3588的单核心只有最高 2TOPS 算力）。
任务可以并行的情况，香橙派 AIpro 和 RK3588 各有胜负。RK3588 的 3 个 NPU 都充分利用。RK3588 在 Resnet50 中稍快，香橙派AI Pro在 YOLOv8n 快的更明显。
YOLOv8n 的模型并没有满载香橙派 AIpro 和 RK3588 的NPU算力。两个机器的NPU利用率都卡在 30-55% 的瓶颈上，即使使用多线程加塞，也不能提升 NPU 利用率。 RTX2060 利用率任维持 90%。因此 NPU 的利用率上不去既有模型算法问题，也有平台原因。
NVIDIA RTX2060 的推理速度相比于部署 AI 开发板快很多，是香橙派 AIpro 的 3.5x （Resnet）和 7.5x (YOLOv8n) 速度提升。此时 RTX2060 还没开启 INT8 量化，量化之后，领先的幅度可能会更拉开。作者搞不定 tensorrt 的量化，也就没进一步测试了。

1.3 香橙派 AIpro系统烧录

香橙派 AIpro 提供了两种烧录系统版本，作者这里使用 Ubuntu 版本进行烧录

Ubuntu：百度网盘(ubuntu) 请输入提取码 (baidu.com)

OpenEuler：百度网盘(OpenEuler) 请输入提取码 (baidu.com)

1、打开香橙派官网：

Orange Pi官网-香橙派（Orange Pi）开发板,开源硬件,开源软件,开源芯片,电脑键盘

2、打开香橙派 AIpro，这里的官方工具可以点击下载：

3、在该网址页面内，下载官方提供的 Ubuntu 系统；

4、打开刚刚下载的官方工具中的 BalenaEtcher；

5、将镜像系统文件 img 烧录到 SD 卡上，且插入香橙派 AIpro；

1.4 香橙派 AIpro初体验

1、香橙派 AIpro上电启动，稍等一会屏幕将被点亮，如下；

2、输入密码：Mind@123（默认密码）；

3、打开香橙派 AIpro终端，输入以下代码：npu-smi info；

npu-smi info

利用 npu-smi info 可以查看昇腾芯片 NPU 卡的信息，上图显示，Device为310B4，芯片温度为47度，总内存为7.6G，已使用4.3G左右。

4、利用 ifconfig 可以查看到有线网卡 eth0 的 IP 地址信息，也可以查到无线网卡 wlan0 的信息，并接入无线网；

5、利用 MobaXterm 连接该地址，从而实现远程登入开发板：

6、VNC Viewer图形化远程控制，操作如下；

使用Ubuntu Focal，VNC登录灰屏幕。原因是 Focal 默认图形界面是 gnome，和香橙派 AIpro官方镜像适配有所不同。

解决办法：

sudo apt-get install gnome-panel gnome-settings-daemon metacity nautilus gnome-terminal
vim ~/.vnc/xstartup

添加以下内容：

#!/bin/bash
export $(dbus-launch)  # 主要是这句
export XKL_XMODMAP_DISABLE=1
unset SESSION_MANAGERgnome-panel &
gnome-settings-daemon &
metacity &
nautilus &
gnome-terminal &# [ -x /etc/vnc/xstartup ] && exec /etc/vnc/xstartup
# [ -r $HOME/.Xresources ] && xrdb $HOME/.Xresourcesxsetroot -solid grey
vncconfig -iconic &
x-terminal-emulator -geometry 80x24+10+10 -ls -title "$VNCDESKTOP Desktop" &
gnome-session &

貌似香橙派 AIpro与传统的 VNC 远程图形化一直存在不适配问题，但是，如果一定想借助图形化操作的同学可以尝试使用 NoMachine 软件，这款远程图形化工具的适配性很好。

二、香橙派 AIpro外设

2.1 引脚功能介绍

香橙派 AIpro拥有非常强大的外设与引脚功能，包含 40 个Pin脚，如下图所示：

40 Pin接口使用注意事项如下所示：

（1)、40 Pin接口中总共有 26 个 GPIO 口，但 8 号和 10 号引脚默认是用于调试串口功能的，并且这两个引脚和 MicroUSB 调试串口是连接在一起的，所以这两个引脚请不要设置为 GPIO 等功能。

（2)、所有的 GPIO 口的电压都是 3.3v。

（3)、40 Pin接口中 27 号和 28 号引脚只有 I2C 的功能，没有 GPIO 等其他复用功能，另外这两个引脚的电压默认都为 1.8v。

香橙派 AIpro的 40 Pin引脚提供了丰富的外设资源，包含：GPIO、I2C、UART、SPI 和 PWM等功能。借助这 40 Pin引脚，各位创客或是工程师可以实现超级多的奇思妙想。Linux 镜像中预装了 gpio_operate 工具用于设置 GPIO 管脚的输入与输出方向，也可将每个 GPIO 管脚独立的设为 0 或 1。各位工程师朋友通过在官网下载香橙派 AIpro用户技术手册来运用 gpio_operate 工具进行高效开发。

2.2 香橙派 AIpro与STM32通信

工程案例：将香橙派 AIpro 与 STM32 进行串口通信操作

该案例是智能产品研发过程中常使用的框架，即 NPU+MCU 的黄金搭档组合，该框架下将充分发挥香橙派 AIpro的 AI 算力，并结合 STM32 这类微控制器的强大控制能力，能够研制出各种高科技产品。例如：SLAM小车、视觉机械臂、仿生机器人等。

1、首先确定香橙派 AIpro的 UART 是否正常，指令：ls /dev/ttyAMA*

2、进行 serial 程序测试，香橙派 AIpro拥有 3 个serial，普通使用者可以使用serial2和serial3；

sudo -i
cd/opt/opi_test/uart
./serial/dev/ttyAMA1

作者这里使用ttyAMA1（UART2）与 STM32 进行通信；

代码重构，将官方提供的 serial 代码修改成需要的代码，操作如下：

上述红框区域是串口通信的设置，需要与下位机的 STM32 保持一致，我们让香橙派 AIpro持续打印196这个数值；

3、编写STM32端代码，本篇博客使用 STM32CubeMX 工具进行生成初始代码；

uart.h：

#ifndef __UART_H
#define __UART_H#include "stm32f1xx_hal.h" extern UART_HandleTypeDef huart1;#define USART1_REC_LEN  600extern int  USART1_RX_BUF[USART1_REC_LEN];
extern uint16_t USART1_RX_STA;
extern int USART1_NewData;void  HAL_UART_RxCpltCallback(UART_HandleTypeDef  *huart);#endif

uart.c：

作者这里仅通过 STM32 的串口中断进行数据接收操作，且假设接收到的数据为

#include "uart.h"
#include "oled.h"int USART1_RX_BUF[USART1_REC_LEN];		//目标数据
uint16_t USART1_RX_STA=2;
int USART1_NewData;extern int num;		//百位
extern int num2;    //十位
extern int num3;    //个位void  HAL_UART_RxCpltCallback(UART_HandleTypeDef  *huart)
{if(huart ==&huart1){ USART1_RX_BUF[USART1_RX_STA&0X7FFF]=USART1_NewData; 					USART1_RX_STA++;  if(USART1_RX_STA>(USART1_REC_LEN-1))USART1_RX_STA=0;//num = USART1_RX_BUF[USART1_RX_STA];HAL_UART_Receive_IT(&huart1,(uint8_t *)&USART1_NewData,1);num = USART1_RX_BUF[USART1_RX_STA-1];			num2 = USART1_RX_BUF[USART1_RX_STA-2];num3 = USART1_RX_BUF[USART1_RX_STA-3];			}		
}

2.3 香橙派 AIpro引脚功能演示

该应用案例是简单的香橙派 AIpro与STM32的简单通信，难度非常低，但是稍加改进就可以作为一个成熟的项目框架使用。综上所述，利用香橙派 AIpro与传统 MCU 进行联动是非常简单易操作的，这也极大地降低了利用香橙派 AIpro进行产品研发的难度。

三、香橙派 AIpro的AI部署实战

3.1 YOLOv5S概述

YOLOv5 网络模型算是 YOLO 系列迭代后特别经典的一代网络模型，作者为：Glenn Jocher。部分学者可能认为YOlOv5的创新性不足，其是否称得上 YOLOv5 而议论纷纷。作者认为 YOLOv5 可以算是对 YOLO 系列之前的一次集大成者的总结和突破，其属于非常优秀经典的网络模型框架，各种网络结构和 trick 是非常值得借鉴的！

代码地址：ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite (github.com)

Yolov5 官方代码中，给出的目标检测网络中一共有4个版本，分别是Yolov5s、Yolov5m、Yolov5l、Yolov5x四个模型。作者仅以 Yolov5s 的网络结构为对象进行讲解，其他版本的读者朋友可以参考其他博客！

Yolov5s 网络是 Yolov5 系列中深度最小（最适合 AI 部署的版本），特征图的宽度最小的网络。后面的 3 种都是在此基础上不断加深，不断加宽。Yolov5 的网络结构图如下：

上图即 Yolov5 的网络结构图，可以看出，还是分为Input、Backbone、Neck、Prediction四个部分。

（1）Input：Mosaic数据增强、自适应锚框计算、自适应图片缩放
（2）Backbone：Focus结构，CSP结构
（3）Neck：FPN+PAN结构
（4）Prediction：GIOU_Loss

上述四部分都是属于如今很常见的模块与Trick了，受限于博客篇幅，各部分的详解就不与读者朋友好好分析和交流了。建议对 YOLO 系列陌生的朋友可以去好好看看其他博主的博客亦或是去B站看视频教学！

下面丢上 Yolov5 作者的算法性能测试图：

到现在为止，Yolov5 已经更新迭代到 v7.0 版本了，科研学术圈以 Yolov5 为基础框架进行魔改的论文数不胜数。通过上述作者的概述读者朋友可能对 Yolov5 有了一个大致的了解，不难发现 Yolov5 是非常优秀的神经网络模型。

3.2 香橙派 AIpro的YOLOv5S部署

进入官方Gitee仓库地址：Ascend/EdgeAndRobotics (gitee.com)

本篇博客以 YOLOv5S 神经网络模型进行目标检测

一、执行准备

1. 确认已安装带桌面的镜像且HDMI连接的屏幕正常显示；

2. 以HwHiAiUser用户登录开发板；

3. 设置环境变量；

# 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

4. 安装ACLLite库：ACLLite仓安装ACLLite库。

二、代码下载

1. 使用命令行方式下载

# 登录开发板，HwHiAiUser用户命令行中执行以下命令下载源码仓。    
cd ${HOME}     
git clone https://gitee.com/ascend/EdgeAndRobotics.git
# 切换到样例目录
cd EdgeAndRobotics/Samples/YOLOV5USBCamera

三、 YOLOv5S代码修改与部署

1、下载官方的测试视频；

请从以下链接获取该样例的测试视频，放在data目录下；

cd ../data
wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/003_Atc_Models/yolov5s/test.mp4 --no-check-certificate

使用指令：ffplay -autoexit test.mp4 播放测试视频（利用该指令也可以测试ffmpeg是否正确安装）

注：**若需更换测试视频，则需自行准备测试视频，并将测试视频放到data目录下。

2、获取PyTorch框架的Yolov5模型（*.onnx），并转换为昇腾AI处理器能识别的模型（*.om）；

★当设备内存小于 8G 时，可设置如下两个环境变量减少atc模型转换过程中使用的进程数，减小内存占用。

export TE_PARALLEL_COMPILER=1
export MAX_COMPILE_CORE_NUMBER=1

★为了方便下载，在这里直接给出原始模型下载及模型转换命令,可以直接拷贝执行。

cd model
wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/003_Atc_Models/yolov5s/yolov5s.onnx --no-check-certificate
wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/003_Atc_Models/yolov5s/aipp.cfg --no-check-certificate
atc --model=yolov5s.onnx --framework=5 --output=yolov5s --input_shape="images:1,3,640,640"  --soc_version=Ascend310B4  --insert_op_conf=aipp.cfg

atc命令中各参数的解释如下，详细约束说明请参见《ATC模型转换指南》。
--model：Yolov5网络的模型文件的路径。
--framework：原始框架类型。5表示ONNX。
--output：yolov5s.om模型文件的路径。请注意，记录保存该om模型文件的路径，后续开发应用时需要使用。
--input_shape：模型输入数据的shape。
--soc_version：昇腾AI处理器的版本。

3、编译样例源码。；

到这里 YOLOv5S 的部署准备工作就已经完成了，作者这里针对没有配备 USB 摄像头的读者朋友提供代码修改，直接对步骤 1 中下载的视频进行 YOLOv5S的目标检测，操作步骤如下：

使用 vim main.cpp 进行 main 函数的修改，将线程操作改为获取视频输入

接下重新编译代码，执行以下命令编译样例源码。

cd ../scripts 
bash sample_build.sh

4、运行 YOLOv5S代码

bash sample_run.sh imshow

3.3 香橙派 AIpro的YOLOv5S演示

作者没有在香橙派 AIpro上安装视频剪辑和录像软件，故在 MobaXterm 软件上使用网络窗口拉取了 YOLOv5S 的推理情况。实际在香橙派 AIpro 接入的显示器上，运行的 YOLOv5S 模型推理帧率非常的高。

四、各种其他应用案例

4.1 香橙派 AIpro丰富案例

凭借华为昇腾 B310 芯片强大算力的加持下，香橙派 AIpro 可以满足各种各样的产品工程需求。例如：安全检查门、自动贩卖机、智能门锁、目标追踪飞行器、视觉机械臂以及SLAM小车等。

4.2 AI部署开发板综合评述

作者作为一名嵌入式工程师，如今手上的 AI 边缘计算开发板是非常多的，包括：香橙派 AIpro、RK3588、Jeston Nano、树莓派4B、RV1126、OpenMV以及K210等。

1、香橙派AIpro：这款边缘计算开发板是作者本人上手最舒服的，配套的资料完善，部署流程方便且快捷（得益于华为昇腾芯片）。8TOPS的强大算力，完全满足企业级产品亦或是个人创客作品研发的需求。香橙派 AIpro的售价也是非常香的，预算足够还是推荐大家首选 16GB 运行内存版本的香橙派 AIpro。更大的数据吞吐能力，可以得到更好的产品体验！

2、RK3588: 这款 AI 部署开发板可能是业内人员必接触的版型之一，但是相较于香橙派 AIpro的单线程推理算力可能稍逊，多任务推理下的表现情况依旧很好。

3、Jeston Nano：这款 AI 边缘计算开发板是 NVIDIA 家的常青树级别产品，市场普及度以及认可度非常高，CUDA硬件加速的适配促使这款产品在企业级产品中成为常客。但是，仅从算力方面来看，其表现远不如香橙派 AIpro。而算力高于香橙派 AIpro的Orin 系列，其售价高的惊人，一般也是极高端产品才会使用 Orin 系列。

4、树莓派4B：社区资料和氛围很好，各种各样的开源项目层出不穷。但是，售价偏高且固件封装太死导致产品研发具有一定局限性，且算力很低。YOLOv5S的帧率仅能维持在 8 FPS左右，难以满足实际工程项目中对视觉帧率的需求。

5、OpenMV与K210：只适合创客亦或是学生去实现自己的 DIY 产品，Python语言导致代码运行效率底下，算力表现非常一般。优点是容易上手，但其局限性也很大。

作者有话

综上所述，香橙派 AIpro是一款非常优秀 AI 边缘计算开发板，其推进了 AI 部署的国产化进程。香橙派 AIpro这款 AI 边缘计算开发板的算力是完全满足商业级产品需求的（利用视觉进行控制判断，需要每秒至少 25 帧以上，香橙派面对正常的多视频流推理依旧可以完美满足），作者将在未来的一段时间内，使用香橙派 AIpro与 STM32 进行联动开源一款视觉机械臂项目，感兴趣的朋友可以关注一下之后的昇腾社区与作者的博客！

实话实说，香橙派 AIpro这款新品 AI 边缘计算开发板真的让人眼前一亮。作者手上的 AI 部署开发板也不在少数，比如：树莓派5B，Jeston Nano以及RK3588。但香橙派 AIpro绝对是这类产品中的王者，超给力的算力搭配详细的技术手册，给予创客和工程师很大的个人发挥空间！

OrangePi AIpro 让 AI 创造无限可能！！！