本文转载自： 硬码农二毛哥微信公众号
Vitis AI提供两种应用例程，VART和Vitis AI Library，下文详细描述了Vitis AI Library中refinedet应用的实现过程。
编译AI模型
DNNDK 和Vitis AI Library编译AI库的方式相同。
编译refinedet模型
RefineDet模型用来检测人体。
$~/Vitis-AI/AI-Model-Zoo/all_models_1.2/caffe $cp -r cf_refinedet_coco_480_360_0.8_25G_1.2/ ../../../Tool-Example/ $cd ~/Vitis-AI $./docker_run.sh xilinx/vitis-ai:1.2.82 $conda activate vitis-ai-caffe
生成.dcf文件，修改.json文件，这两步已经完成。
运行编译指令
vai_c_caffe -p cf_refinedet_coco_480_360_0.8_25G_1.2/quantized/Edge/deploy.prototxt -c cf_refinedet_coco_480_360_0.8_25G_1.2/quantized/Edge/deploy.caffemodel -a arch.json -o cf_refinedet_coco_480_360_0.8_25G_1.2/output -n refinedet
出现如下错误：
Error parsing text-format caffe.NetParameter: 2310:21: Message type "caffe.DetectionOutputParameter" has no field named "objectness_score". [VAI_C][Error] Open prototxt file failed: cf_refinedet_coco_480_360_0.8_25G_1.2/quantized/Edge/deploy.prototxt
在readme中：
remove layers after "arm_conf_reshape"，将arm_conf_reshape层和它之后的层删除，再进行编译正常输出。
将编译生成的.elf模型拷贝到sd卡
编译AI应用
编译Vitis-AI-Library应用
安装交叉编译环境
进入https://github.com/Xilinx/Vitis-AI/tree/v1.2/Vitis-AI-Library#quick-star...，下载sdk-2020.1.0.0sh。
$mkdir petalinux_sdk $cd petalinux_sdk $./sdk-2020.1.0.0.sh
创建环境变量
$source ~/petalinux_sdk/environment-setup-aarch64-xilinx-linux
下载 vitis_ai_2020.1-r1.2.0.tar.gz，并安装
$tar -xzvf vitis_ai_2020.1-r1.2.x.tar.gz -C ~/petalinux_sdk/sysroots/ aarch64-xilinx-linux
交叉编译refinedet
$cd ~/Vitis-AI/Vitis-AI-Library/overview/samples/refinedet $bash -x build.sh
编译后生成4个可执行文件：
将生成的文件拷贝到sd卡。
下载 Vitis AI Runtime 1.2.0并拷贝到sd卡
下载vitis_ai_library_r1.2.x_images.tar.gz 和 vitis_ai_library_r1.2.x_video.tar.gz并拷贝到sd卡
启动单板
sd卡FTA32中的内容：
refinedet_lib文件夹中的内容包括refinedet模型和可执行文件。
查看ip,通过ssh访问单板
$ifconfig
启动单板后，先执行init.sh, XRT环境变量
$cd /mnt/sd_mmcblk1p1 $source ./init.sh
进入sd_mmcblk1p1目录
$cd /mnt/sd_mmcblk1p1 $ cp dpu_sw_optimize.tar.gz vitis-ai-runtime-1.2.0.tar.gz vitis_ai_library_r1.2.0_images.tar.gz vitis_ai_library_r1.2.0_video.tar.gz ~/
运行dpu_sw_optimize
$cd ~ $tar -xzf dpu_sw_optimize.tar.gz $cd dpu_sw_optimize/zynqmp/ $./zynqmp_dpu_optimize.sh
安装 Vitis AI Runtime 1.2.0
tar -xzvf vitis-ai-runtime-1.2.0.tar.gz cd ~/vitis-ai-runtime-1.2.0/aarch64/centos rpm -ivh --force libunilog-1.2.0-r10.aarch64.rpm rpm -ivh --force libxir-1.2.0-r12.aarch64.rpm rpm -ivh --force libtarget-factory-1.2.0-r10.aarch64.rpm rpm -ivh --force libvart-1.2.0-r16.aarch64.rpm rpm -ivh --force libvitis_ai_library-1.2.0-r15.aarch64.rpm
运行Vitis AI Library应用
解压vitis_ai_library_r1.2.x_images.tar.gz和 vitis_ai_library_r1.2.x_video.tar.gz
mkdir -p ~/Vitis-AI/vitis_ai_library tar -xzvf vitis_ai_library_r1.2.0_images.tar.gz -C Vitis-AI/vitis_ai_library tar -xzvf vitis_ai_library_r1.2.0_video.tar.gz -C Vitis-AI/vitis_ai_library
拷贝refinedet_lib文件夹到 ~/Vitis-AI/vitis_ai_librarysamples/refinedet/
修改/etc/vart.conf文件
firmware:/run/media/mmcblk1p1/dpu.xclbin
安装 ZCU104 AI Model ，运行命令：
rpm -ivh --force xilinx_model_zoo_zcu102-1.2.0-1.aarch64.rpm
模型安装到/usr/share/vitis_ai_library/models中，进入refinedet_pruned_0_8文件夹
cd /usr/share/vitis_ai_library/models
进入refinedet_pruned_0_8文件夹，文件夹中有如下两个文件。
模型存放位置
新建与模型名字相同的文件夹，将与模型名字相同的.elf文件拷贝到新建的文件夹，然后执行。
cd ~Vitis-AI/vitis_ai_library/samples/refinedet/refinedet_lib mkdir refinedet_pruned_0_8
将.elf文件改名成refinedet_pruned_0_8.elf，拷贝到refinedet_pruned_0_8文件夹，将reffinedet_pruned_0_8.prototxt拷贝到refinedet_pruned_0_8文件夹。
查找模型，在configurable_dpu_task_imp.cpp 中指出了查找模型的位置。
删除zcu104模型
/usr/share/vitis_ai_library/models/refinedet_pruned_0_8的，模型是针对ZCU104单板器件的，不能使用，因此将refinedet_pruned_0_8文件夹名字进行修改，防止程序执行时运行。
在refinedet_lib目录，运行例程
./test_jpeg_refinedet refinedet_pruned_0_8 sample_refinedet.jpg
输出结果
启动摄像头识别
export DISPLAY=:0.0 xrandr --output DP-1 --mode 640x480 ./test_video_refinedet refinedet_pruned_0_8 0
