[原创] 【米尔边缘AI计算盒FZ5测评】2019DAC大会目标检测网络skynet复现

利用FPGA进行深度学习加速，目前已经推出了很多优秀的项目，比如xilinx官方的BNN和QNN开源项目等。同时自动化设计顶级会议(Design Automation Conference, DAC)每年都会主办低功耗目标检测系统设计挑战赛，原本该大会分为GPU和FPGA两个赛道，但是在2020年的大会中仅保留了FPGA赛道。该大会每年会有大量的优秀的作品，其中部分作品会进行开源，这些作品是我们学习的绝佳资源。下面我们将首先复现在2019年在第二届低功耗目标检测系统设计挑战赛取得冠军的iSmart3团队的方案。该团队来自美国伊利诺伊大学（UIUC）的团队，包揽了 GPU 组和 FPGA 组的双冠军。该比赛选择的算法平台为ultra96系列开发板，核心芯片为ZU3。本次测评将在Edgboard上进行实现。如果需要了解该目标检测网络的详细信息可以参考以下论文：

https://arxiv.org/abs/1909.09709

网络的具体结构图如下所示：

首先需要利用HLS对IP核进行重新构建，首先新建工程，选择芯片型号为：xczu3eg-sfvc784-1-i，周期为5ns。完成以后进行综合，并且生成IP。由于C仿真时间较长，所以本次暂时不进行仿真实验。

然后新建vivado工程设置PL的输出时钟为100MHz：

然后新建BD文件，进行简单的连接，连接得到的结果如下所示：

生成顶层文件后进行综合和实现生成bit，tcl等文件，然后将对应的权重文件和工程文件上传至Edgeboard开发板，运行对应的Python文件，对15张测试图片进行识别，得到的情况如下所示：

可以看到计算过程中输出了每个目标的图标，并且15张图片进行目标检测消耗了5秒左右的时间，这个速度和论文描述的实际成绩还是有差距，也有可能是计算方法的问题。

能这样做出来已经不错了

不过，想问一下，15张图片进行目标检测消耗了5秒左右的时间，这个速度和论文描述的实际成绩还是有差距

论文上是的数据多少没看出来