工作室 网站 备案,公司宣传网站制作,网络搏彩网站做代理,小程序模板修改教程文章目录 OrangePi Kunpeng Pro ——信创再接力1. 绪论1.1 开箱 2. 硬件介绍2.1 硬件配置2.2 硬件清单 3. 网络测试3.1 有线连接3.2 WIFI连接 4.查看系统配置5. 安装常用软件5.1 安装python5.1.1 更换pip源为国内清华源 5.2 安装docker5.3 安装opencv5.4 安装dlib 6.CPU多进程能… 文章目录 OrangePi Kunpeng Pro ——信创再接力1. 绪论1.1 开箱 2. 硬件介绍2.1 硬件配置2.2 硬件清单 3. 网络测试3.1 有线连接3.2 WIFI连接 4.查看系统配置5. 安装常用软件5.1 安装python5.1.1 更换pip源为国内清华源 5.2 安装docker5.3 安装opencv5.4 安装dlib 6.CPU多进程能力测试7. 测评总结 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8GB32GB.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: 8 G B 8 G B 8GB 或 16 G B 16 G B 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 M b p s 10 / 100 / 1000 \mathrm{Mbps} 10/100/1000Mbps ・板载 PHY 芯片: RTL8211FWi-Fi蓝牙支持 2.4 G 2.4 \mathrm{G} 2.4G 和 5 G 5 \mathrm{G} 5G 双频 WIFI - BT4. 2 模组: 欧智通 6221 B U U C 6221 \mathrm{BUUC} 6221BUUCUSB2 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 m m 3.5 \mathrm{~mm} 3.5 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 openEuler192.168.x.x登录成功后通过ifconfig查看分配的网络地址 ifconfig3.2 WIFI连接 查看周围热点信息 nmcli dev wifi4.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.cn5.2 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-pythonimport 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, defaultshape_predictor_68_face_landmarks.dat,helppath to facial landmark predictor) ap.add_argument(-i, --image, defaultimages/liudehua2.jpg,helppath 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, dtypeint):# 创建68*2coords np.zeros((shape.num_parts, 2), dtypedtype)# 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 coordsdef visualize_facial_landmarks(image, shape, colorsNone, alpha0.75):# 创建两个copy# overlay and one for the final output imageoverlay 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] width500 r width / float(w) dim (width, int(h * r)) image cv2.resize(image, dim, interpolationcv2.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ndarrayshape 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]width250r width / float(w)dim (width, int(h * r))roi cv2.resize(roi, dim, interpolationcv2.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 multiprocessingdef bubble_sort(arr):n len(arr)for i in range(n):for j in range(0, n-i-1):if arr[j] arr[j1]:arr[j], arr[j1] arr[j1], 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_timedef 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(targetprocess_task, args(i,))processes.append(process)process.start()for process in processes:process.join() bubble_sort函数执行冒泡排序算法。measure_performance函数生成一个随机数组并测量冒泡排序的执行时间。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。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