OrangePi AIpro测评

首先非常感谢csdn以及香橙派能够提供这样一个平台，可以测试OrangePi AIpro这样一块开发板，这块板子给我的感觉还是非常不错的，非常适合用来作为嵌入式学习的板子，性能也达到了一定要求，可以跑一些深度学习的任务了。

下面的文章我将总结我使用这块板子做的一些事情。

1、外观部分

先看官方宣传图吧，香橙派风格，但是一看就是高端的规格了，我之前也写过一些香橙派的应用文章，手上也有好几块不同的香橙派的板子，但一看到这个板子，感觉就是高端，用料明显好了很多，2个HDMI输出，然后usb口都是3.0，8T大算力芯片，wifi和蓝牙的芯片也还不错。整体上来看算是一款高端产品了。

板子到手是这样的

拆开风扇可以看到主芯片是华为的HI1910，非常的nice啊

官方送了一个5v3a的电源供电，默认里面是刷了一个官方系统，应该是魔改的ubuntu的系统，选好启动模式就可以上电体验了，启动模式的选择在官方手册中有说明，如下图所示：

启动模式说明：

拨码开关 BOOT1	拨码开关 BOOT2	对应的启动设备
左	左	未使用
右	左	SATA SSD 和 NVMe SSD
左	右	eMMC
右	右	TF 卡

这里官方给的是sd卡，因此这里将这两个boot都切换到右边即可

之后接上hdmi就可以点亮了（tips：这里一定注意，接hdmi的接上远离供电的那个hdmi口才行），效果如下：

至于用户名和密码，这个在官方手册也有说明，就是Mind@123

当然，总是套着个hdmi屏幕也很难受的，主要是房子太小，也没地方放这么多屏幕，这个板子也是延续了香橙派一贯的系统作风，给开了ssh的远程访问权限，接根网线到路由器上就行

之后就是登陆了，登陆这里需要账号密码，这个查文档也可以知道了

这里我们用root进入

登陆后就可以进入系统了

当然这个板子还支持openeuler镜像，本次测评时间紧迫，这里就不尝试了，后面有机会再测试

上面提到的相关资料都可以在香橙派官网找到，下面是板子相关资料下载地址：
http://www.orangepi.cn/html/hardWare/computerAndMicrocontrollers/service-and-support/Orange-Pi-AIpro.html

2、系统初探

进入系统后就可以看一些信息了，首先是存储部分，因为我们是用sd卡启动的，所以显示的就是sd卡的分区，分区信息如下：

内存情况如下，应该是8g的内存了

看一下CPU的信息，从这里读不出来CPU的型号

板子的信息就看到这里了，下面先把他当作一个常规的linux系统来看一下，一般我们安装好ubuntu之后第一步都是换源，然后更新对吧，这里我们也看一下，这里进去后可以看到已经是换好了的源了

之后我们执行更新sudo apt-get update，sudo apt-get upgrade

之后可以使用ssh远程登陆，这样写代码就更方便了，这里关于ssh的远程访问，可以参考我之前的文章：

vscode工具Remote-SSH使用记录

效果如下：

下面测试一下USB摄像头，做一下这个是因为我最近在搞图像传输相关的内容，正好拿来测试一下，介入USB摄像头，输入下面的指令：

 sudo fswebcam -d /dev/video0 --no-banner -r 1280x720 -S 5 ./image.jpg

就可以捕捉到摄像头的画面了

当然也可以用Gstreamer来实现，输入下面的命令安装需要的库

sudo apt update
sudo apt install gstreamer1.0-tools gstreamer1.0-plugins-base gstreamer1.0-plugins-good gstreamer1.0-plugins-bad gstreamer1.0-plugins-ugly gstreamer1.0-libav
sudo apt install libgstrtspserver-1.0-dev

查看一下本机的摄像头名称，我这里是video0

输入下面的命令测试摄像头是否可用，输入之后应该可以看到画面输出

gst-launch-1.0 v4l2src device=/dev/video0 ! videoconvert ! autovideosink

运行效果如下：

测试一下帧率还不错

之后可以尝试来推流

gst-launch-1.0 -v v4l2src device=/dev/video0 ! 'video/x-raw,width=640,height=480,framerate=30/1' ! videoconvert ! x264enc tune=zerolatency bitrate=1000 speed-preset=superfast ! rtph264pay ! udpsink host=192.168.2.163 port=5600

可以再电脑端在执行拉流，使用vlc拉流，效果如下：

当然也可以用mjpeg来实现推拉流的功能，实现上如下所示，先安装需要的库：

sudo apt-get update
sudo apt-get install subversion
sudo apt-get install libjpeg8-dev
sudo apt-get install imagemagick
sudo apt-get install libv4l-dev
sudo apt-get install cmake
sudo apt-get install git

之后下载开源程序

sudo git clone https://github.com/jacksonliam/mjpg-streamer.git
cd mjpg-streamer/mjpg-streamer-experimental
sudo make all
sudo make install

执行推流程序

./mjpg_streamer -i "./input_uvc.so" -o "./output_http.so -w ./www"

这里效果和上面的几乎一样，就不演示了，从这个拉流的效果来看，其实性能还是很不错的，比树莓派好多了起码。

3、AI性能体验

这里官方其实提供了样例，样例覆盖的很全面，我觉得这个的好处就是不用你自己一个个的去安装了环境了，这里真的是做的很棒了，路径在这里（这里需要关注就是我用的root用户进入的，这个样例放在了HwHiAiUser的用户路径下）

/home/HwHiAiUser/samples/notebooks

可以看到这些样例：

输入这个命令可以进入jupyter notebook

bash start_notebook.sh 192.168.1.3

点击下面的链接就可以进去了

进去就能看到这几个demo，写的都蛮详细的

以第一个为例，是一个yolov5的demo

默认是跑一张图片

修改这个参数可以跑视频

修改这个函数，给摄像头实时检测加上帧率检测看看

def infer_camera(model, labels_dict, cfg):"""外设摄像头实时推理"""def find_camera_index():max_index_to_check = 10  # Maximum index to check for camerafor index in range(max_index_to_check):cap = cv2.VideoCapture(index)if cap.read()[0]:cap.release()return index# If no camera is foundraise ValueError("No camera found.")# 获取摄像头camera_index = find_camera_index()cap = cv2.VideoCapture(camera_index)# 初始化可视化对象image_widget = widgets.Image(format='jpeg', width=1280, height=720)fps_widget = widgets.Label()display(image_widget, fps_widget)while True:start_time = time.time()# 对摄像头每一帧进行推理和可视化ret, img_frame = cap.read()if not ret:breakimage_pred = infer_frame_with_vis(img_frame, model, labels_dict, cfg)image_widget.value = img2bytes(image_pred)# 计算帧率end_time = time.time()fps = 1 / (end_time - start_time)fps_widget.value = f"FPS: {fps:.2f}"

加上帧率显示，大概是19帧左右的样子，说实话感觉慢了，不知道是不是因为用的python的原因。

第二个例子是文本识别，跑一张图，然后识别里面的文字和位置

我又跑了一张我自己的，对比看看，还是有点误识别，参数还有优化空间，后续我再改一下，效果如下

第三个样例是一个图片分类的样例，实用的resnet的网络，这个网络也比较经典，这里就直接看样例吧，不赘述了

第四个样例是一个调节曝光参数的算法，这个算法我之前也没有了解过，但是感觉可能在家用监控摄像头上会有应用空间，针对阴天这种光线不足的场景是不是能提高视频图像画质呢？

第五个样例是一个风格化的样例，用的是gan网络，说实话体验到这里，我觉得这个板子的ai可玩性真的很高，这么多网络都能跑起来，而且效率也很高

第六个样例是一个分类的网络，这个也没接触过，他能实现的效果大概就是计算一些特征的占比

第七个是一个分割网络，用的是很经典u-net网络，这个网络在医学数细胞这里很流行，其实这个网络在建筑结构检测也用的很多，针对裂缝这样的模型。

第八个也是一个分割网络，用的是protrainnet网络，主要是进行人像分割，然后换了一下背景，这个也没研究过

最后一个是一个音频网络，语音转文字的，现在语音识别也很火，这个模型可以很准确的识别出来语音，但是这个领域我也没研究过，感觉还是很强

4、总结

一开始我以为我应该用这个板子去测一些linux的三件套，编个ubbot，内核，文件系统啥的。真正用起来我被这个的ai性能惊艳到了，这种的板子更适合做应用层的开发，特别是这个系统刷完就配置好了环境，跑ai真的是太方便了。可以接触到这么多新的热门的ai模型，一个个的过一遍都能学到不少东西。总的来说，这块板子是一块很适合ai爱好者的开发板。