一、引言

大家好，我是yma16，在收到香橙派 AIpro 开发版之后开始动手实操，本期分享 【 香橙派 AIpro评测】烧系统运行部署LLMS大模型跑开源yolov5物体检测并体验Jupyter Lab AI 应用样例（新手入门）

香橙派 AIpro

Orange Pi AI Pro 开发板是香橙派联合华为精心打造的高性能 AI 开发板，其搭载了昇腾 AI 处理器，可提供 8TOPS INT8 的计算能力，内存提供了 8GB 和 16GB两种版本。可以实现图像、视频等多种数据分析与推理计算，可广泛用于教育、机器人、无人机等场景。

开发版图解

前期的准备工作如下

⭐1.1下载镜像烧系统

官方下载镜像：
http://www.orangepi.cn/html/hardWare/computerAndMicrocontrollers/service-and-support/Orange-Pi-AIpro.html
下载unbuntu系统

官方的下载烧录镜像软件
https://etcher.balena.io/#download-etcher
下载昇腾开发一键制卡工具
点击下载

选择镜像、选择挂载的内存卡，等待约10分钟（3.0接口）

⭐1.2开发板初始化系统配置远程登陆

将烧好的unbuntu卡放入sd card槽
正面

反面

输入密码 (操作手册有密码：Mind@123)

远程ssh配置

sudo vi /etc/ssh/sshd_config
#增加以下配置允许通过ssh登录#PermitRootLogin prohibit-password
PermitRootLogin yes#修改完成后需要重启ssh服务命令如下
sudo service ssh restart

修改root密码

sudo passwd root

验证看root密码

💖 远程ssh

通过热点查看连接设备名称是 orangepi ai的ip

输入指令 查看ip地址

ip addr

切换网络会更改ip
ssh 用户名@ip
输入密码
连接 香橙派 AIpro，连接成功！

💖查看ubuntu桌面

安装的是ubuntu桌面的系统,进入ubuntu 桌面

查看磁盘

df -h

目录	空间
dev/root	29G
tempfs	3.7G+1.5G

💖 远程向日葵

下载umo的版本即可

二、部署LLMS大模型&yolov5物体检测

使用开源项目ChatGLM3 ManualReset
在gitee查找32G以内的开源大模型
项目地址：https://gitee.com/wan-zutao/chatglm3-manual-reset

可以gitee搜索，找到ChatGLM3 ManualReset该项目，基于香橙派AIpro部署ChatGLM3-6B大语言模型

⭐2.1 快速启动LLMS大模型

💖拉取代码

创建chatglm/inference目录拉取该仓库的所有代码

cd /
mkdir -p  /chatglm/inference
git clone https://gitee.com/wan-zutao/chatglm3-manual-reset.git chatglm
cd chatglm/inference

💖下载mode数据

运行 脚本下载model数据，中途网络中断可以删除 mode 和 token 目录 重新下载

bash download.sh

拉取仓库过程运行的过程，下载内容超过6G数据量，过程比较慢长

💖启动模型对话

python 运行main脚本启动
main脚本调用chatglm.om（6.3G），响应有点慢

python3 main.py

打印出项目的可以访问地址

访问即可和大模型对话

⭐2.2yolov5图片物体检测

YOLOv5是一种高效的目标检测算法，具有快速、准确、轻量级的特点。
yolov5项目地址：https://github.com/ultralytics/yolov5
拉取开源项目并安装依赖

脚本运行的数据：（运行大约4.7ms，两张图片）
Fusing layers…
YOLOv5s summary: 213 layers, 7225885 parameters, 0 gradients, 16.4 GFLOPs
image 1/2 /root/yolov5_demo/yolov5/data/images/bus.jpg: 640x480 4 persons, 1 bus, 657.6ms
image 2/2 /root/yolov5_demo/yolov5/data/images/zidane.jpg: 384x640 2 persons, 2 ties, 511.0ms
Speed: 4.7ms pre-process, 584.3ms inference, 14.8ms NMS per image at shape (1, 3, 640, 640)
Results saved to runs/detect/exp
运行截图：

识别图片结果，生成目录位置为 runs/detect/exp

三、体验 内置AI 应用样例

香橙派 AIpro中预装了 Jupyter Lab 软件。Jupyter Lab 软件是一个基于 web
的交互式开发环境，集成了代码编辑器、终端、文件管理器等功能，使得开发者可以在一个界面中完成各种任务。并且我们在镜像中也预置了一些可以在Jupyter Lab 软件中运行的 AI 应用样例。这些样例都是使用 Python 编写的，并调用了 Python 版本的AscendCL 编程接口

⭐3.1运行 jupyterLab

💖进入sample 启动jupyterLab

进入目录运行sh

cd ~
cd samples
./start_nontebook.sh

⭐3.2打开Jupyter Lab页面

💖界面操作

左侧是ai体验的实例，点击进入目录下的ipynb后缀文件会执行python实例，markdown是可执行的，酷

⭐3.3 释放内存

💖 关闭样例

选择kernel下的shut down allkernets，即可关闭所有运行的样例，避免空间不足

⭐3.4运行目标检测样例

运动目标检测样例

样例代码

import osimport time
import argparseimport matplotlib.pyplot as plt
from PIL import Image
import numpy as npfrom acllite_model import AclLiteModel as Model
from acllite_resource import AclLiteResource as AclResource
# om模型和图片的位置
MODEL_PATH = './cnnctc.om'
IMAGE_PATH = './predict.png'# 初始化acl资源
acl_resource = AclResource()
acl_resource.init()#导入本地om模型
print('load model....')
model = Model(MODEL_PATH)
print('load model finished....')# 文本与数据编码
class CTCLabelConverter():def __init__(self, character):dict_character = list(character)self.dict = {}for i, char in enumerate(dict_character):self.dict[char] = i + 1self.character = ['[blank]'] + dict_characterself.dict['[blank]'] = 0#将文本转换为数字编码def encode(self, text):length = [len(s) for s in text]text = ''.join(text)text = [self.dict[char] for char in text]return np.array(text), np.array(length)# 将数字编码转换为文本def decode(self, text_index, length):texts = []index = 0for l in length:t = text_index[index:index + l]char_list = []for i in range(l):if t[i] != self.dict['[blank]'] and (not (i > 0 and t[i - 1] == t[i])):char_list.append(self.character[t[i]])text = ''.join(char_list)texts.append(text)index += lreturn texts

运行时间8ms左右：输出parking文字和图片内容一致，符合预期

⭐3.5运行图像曝光增强样例

选择04-HDR 的demo样例
定义资源管理类

import sys
import cv2
import numpy as np
import os
import time
import matplotlib.pyplot as plt
import aclimport acllite_utils as utils
import constants as constants
from acllite_model import AclLiteModel
from acllite_resource import resource_list
class AclLiteResource:"""AclLiteResource类"""def __init__(self, device_id=0):self.device_id = device_idself.context = Noneself.stream = Noneself.run_mode = Nonedef init(self):"""初始化资源"""print("init resource stage:")ret = acl.init() # acl初始化ret = acl.rt.set_device(self.device_id) # 指定运算的deviceutils.check_ret("acl.rt.set_device", ret)self.context, ret = acl.rt.create_context(self.device_id) # 创建contextutils.check_ret("acl.rt.create_context", ret)self.stream, ret = acl.rt.create_stream() # 创建streamutils.check_ret("acl.rt.create_stream", ret)self.run_mode, ret = acl.rt.get_run_mode() # 获取运行模式utils.check_ret("acl.rt.get_run_mode", ret)print("Init resource success")def __del__(self):print("acl resource release all resource")resource_list.destroy()if self.stream:print("acl resource release stream")acl.rt.destroy_stream(self.stream) # 销毁streamif self.context:print("acl resource release context")acl.rt.destroy_context(self.context) # 释放contextprint("Reset acl device ", self.device_id)acl.rt.reset_device(self.device_id) # 释放deviceprint("Release acl resource success")

推理功能

path = os.getcwd()
input_w = 512   # 推理输入width
input_h = 512   # 推理输入height
INPUT_DIR = os.path.join(path, 'data/') # 输入路径
OUTPUT_DIR = os.path.join(path, 'out/') # 输出路径def pre_process(dir_name, input_h, input_w):"""预处理"""BGR = cv2.imread(dir_name).astype(np.float32)h = BGR.shape[0]w = BGR.shape[1]# 进行归一化、缩放、颜色转换BGR = BGR / 255.0BGR = cv2.resize(BGR, (input_h, input_w))RGB = cv2.cvtColor(BGR, cv2.COLOR_BGR2RGB)return RGB, h, wdef post_process(input_img, result_list, pic, input_h, input_w):"""后处理"""o_w, o_h = input_img.shape[:2]# 获取推理结果，进行形状变换data = result_list[0].reshape(input_h, input_w, 3)# 进行缩放、颜色转换output = (cv2.resize(data, (o_w, o_h)) * 255.0).astype(np.uint8)output_img = cv2.cvtColor(output, cv2.COLOR_RGB2BGR)# 保存增强后图像file_name = os.path.join(OUTPUT_DIR, pic)cv2.imwrite(file_name, output_img)# 拼接输入图像和增强后图像，返回进行显示BGR_U8 = np.concatenate([input_img, output_img], axis=1)return BGR_U8def main():# 创建推理结果存放路径if not os.path.exists(OUTPUT_DIR):os.mkdir(OUTPUT_DIR)# acl初始化acl_resource = AclLiteResource()acl_resource.init()# 加载模型model_path = os.path.join(path, "model/image_HDR_enhance.om")model = AclLiteModel(model_path)# 遍历数据集进行推理src_dir = os.listdir(INPUT_DIR)for pic in src_dir:if not pic.lower().endswith(('.bmp', '.dib', '.png', '.jpg', '.jpeg', '.pbm', '.pgm', '.ppm', '.tif', '.tiff')):print('it is not a picture, %s, ignore this file and continue,' % pic)continuepic_path = os.path.join(INPUT_DIR, pic)input_img = cv2.imread(pic_path)# 进行预处理RGB_image, o_h, o_w = pre_process(pic_path, input_h, input_w)# 计算推理耗时start_time = time.time()# 执行推理result_list = model.execute([RGB_image, ])end_time = time.time()# 打印推理的图片信息和耗时print('pic:{}'.format(pic))print('pic_size:{}x{}'.format(o_h, o_w))print('time:{}ms'.format(int((end_time - start_time) * 1000)))print('\n')# 进行后处理img_result = post_process(input_img, result_list, pic, input_h, input_w)      # 显示输入图像和增强后图像img_RGB = img_result[:, :, [2, 1, 0]] # RGBplt.axis('off')plt.xticks([])plt.yticks([])plt.imshow(img_RGB)plt.show()

结果

acl resource release all resource
AclLiteModel release source success
acl resource release stream
acl resource release context
Reset acl device  0
Release acl resource success

生成的图像增强效果如下：
消耗时间316ms，响应极快。

查看生成的out目录下的结果图片，十分清晰

cd out

四、总结

香橙派 AIpro有良好的生态和入门的技术文档，网上也有相关的视频教程，对新人很友好。
http://www.orangepi.cn
应用场景
香橙派 AIpro 开发板因为比较小巧轻量，内部集合Jupyter Lab 页面，非常方便，对于入门人工智能的开发者非常友好。

试用场景也不仅仅局限于本文的操作，还有以下的多个方向等：

1. 原型开发：开发板是原型开发的理想工具。通过连接传感器、执行器和其他外设，开发人员可以快速验证和迭代他们的想法，并评估其可行性。

2. 学习和教育：开发板可以作为学生和初学者学习编程和电子技术的工具。它们提供了一个实践的平台，让学习者通过实际操作来理解电子原理和编程概念。

3. 项目演示：开发板可以用于演示和展示技术项目。无论是在学术会议上还是在公司内部会议上，通过展示实际的硬件和软件成果，可以增强演示和沟通的效果。

4. 物联网应用：开发板是物联网应用开发的重要工具。它们可以用于构建和测试各种物联网设备和传感器网络。

5. 自动化控制：开发板可以用于构建自动化控制系统。通过连接和控制传感器和执行器，可以实现各种自动化任务，如智能家居控制、工业自动化等。

香橙派 AIpro的性能体验：
散热：开发板的散热性能良好，持续运行8个小时整个板子的温度都比较低。
噪音：开发板的噪音产生主要来自于风扇，开机过程中存在一点噪音，开机之后噪音就降下来了，影响不大。

负载：开发板的内存和cpu的使用情况状态处于健康状态，能够同时处理的任务或数据量。

烧录系统部署项目过程体验
香橙派AIpro是一款简化了硬件开发过程的智能开发板。它的优势在于用户无需复杂的安装步骤，只需要通过SD卡加载预配置好的镜像系统，插入设备后就能直接登录并开始使用。这种预先装好的系统大大节省了新手入门的时间，尤其是对于网络配置这类细节，不再需要手动设置。

此外，它配备了内置的Jupyter Lab环境，这使得开发者可以直接在界面上编写、运行和测试人工智能应用程序，极大地提高了开发效率。由于其设计简洁易用，即使是不熟悉底层操作的开发者也能快速上手，无论是调试还是比较数据集结果都变得更加直观和高效。

相比传统的开发板，香橙派AIpro凭借其智能化的特点，为开发者提供了一站式解决方案，不仅减少了繁琐的工作环节，而且在性能稳定性以及交互体验上都有着显著提升。这对于那些寻求快速原型制作和便捷开发环境的工程师来说，无疑是一个理想的选择。