【香橙派 AIpro评测】烧系统运行部署LLMS大模型体验Jupyter Lab AI 应用样例（新手入门）

文章目录

- 一、引言
- - ⭐1.1下载镜像烧系统
  - ⭐1.2开发板初始化系统配置远程登陆
  - - [💖 远程ssh](#💖 远程ssh)
    - 💖查看ubuntu桌面
    - [💖 远程向日葵](#💖 远程向日葵)
- 二、部署LLMS大模型
- - - [2.1 快速启动](#2.1 快速启动)
- [三、体验内置AI 应用样例](#三、体验内置AI 应用样例)
- - - [3.1运行 jupyterLab](#3.1运行 jupyterLab)
    - - [💖进入sample 启动jupyterLab](#💖进入sample 启动jupyterLab)
    - [3.2打开Jupyter Lab页面](#3.2打开Jupyter Lab页面)
    - - 💖界面操作
    - [3.3 释放内存](#3.3 释放内存)
    - - [💖 关闭样例](#💖 关闭样例)
    - 3.4运行目标检测样例
    - 3.5运行图像曝光增强样例
- 四、总结

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

官方的sd卡配置文件可以提前查看内容

bash 复制代码

################################################################################
# 特别注意！！！
# 该文件用于设置开发板ip，请勿编辑任何无关内容，否则可能导致开发板无法启动
# 建议在两个网口均能直连时再根据需要将一个网口设置为"自动获得ip地址"
#   此时，一个网口连接路由，由路由分配ip，另一个网口直连电脑，用以调试

# 生效标志位：设置为true，则该配置文件生效一次后会自动改成false
# 若修改该文件并希望下次开机重新配置ip，将标志位改成true
setting_flag=true

################################################################################
# 网口0-由路由器分配ip地址(若设置为yes，则该网口的路由和ip不会生效)
eth0_dhcp4=yes

# 网口0-ip地址
eth0_address=192.168.1.100

# 网口0-掩码位数
eth0_mask=24

# 网口0-路由(多个ip配置路由，仅有首个会生效)
eth0_route=

# 网口0-域名地址-首选域名
eth0_dns_pre=8.8.8.8

# 网口0-域名地址-备选域名
eth0_dns_alter=114.114.114.114

################################################################################
# 网口0-由路由器分配ip地址(若设置为yes，则该网口的路由和ip不会生效)
eth1_dhcp4=no

# 网口1-ip地址
eth1_address=192.168.137.100

# 网口1-掩码位数
eth1_mask=24

# 网口1-路由(多个ip配置路由，仅有首个会生效)
eth1_route=192.168.137.1

# 网口1-域名地址-首选域名
eth1_dns_pre=8.8.8.8

# 网口1-域名地址-备选域名
eth1_dns_alter=114.114.114.114

################################################################################
# 网口0-由路由器分配ip地址(若设置为yes，则该网口的路由和ip不会生效)
usb0_dhcp4=no

# typeC-ip地址
usb0_address=192.168.0.2

# typeC-掩码位数
usb0_mask=24

# typeC-路由(多个ip配置路由，仅有首个会生效)
usb0_route=

# typeC-域名地址-首选域名
usb0_dns_pre=

# typeC-域名地址-备选域名
usb0_dns_alter=

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

bash 复制代码

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

bash 复制代码

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

bash 复制代码

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

bash 复制代码

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

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

💖拉取代码

创建chatglm/inference目录拉取该仓库的所有代码

bash 复制代码

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 复制代码

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

bash 复制代码

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

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

bash 复制代码

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

python 复制代码

import os

import time
import argparse

import matplotlib.pyplot as plt
from PIL import Image
import numpy as np

from 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 + 1
        self.character = ['[blank]'] + dict_character
        self.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 = 0
        for 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 += l
        return 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

python 复制代码

import sys
import cv2
import numpy as np
import os
import time
import matplotlib.pyplot as plt
import acl

import 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_id
        self.context = None
        self.stream = None
        self.run_mode = None
        
    def 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device
        utils.check_ret("acl.rt.set_device", ret)

        self.context, ret = acl.rt.create_context(self.device_id) # 创建context
        utils.check_ret("acl.rt.create_context", ret)

        self.stream, ret = acl.rt.create_stream() # 创建stream
        utils.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stream

        if self.context:
            print("acl resource release context")
            acl.rt.destroy_context(self.context) # 释放context

        print("Reset acl device ", self.device_id)
        acl.rt.reset_device(self.device_id) # 释放device
        
        print("Release acl resource success")

推理功能

python 复制代码

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 / 255.0
    BGR = cv2.resize(BGR, (input_h, input_w))
    RGB = cv2.cvtColor(BGR, cv2.COLOR_BGR2RGB)
    return RGB, h, w

def 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_U8

def 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)
            continue
        pic_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]] # RGB
        plt.axis('off')
        plt.xticks([])
        plt.yticks([])
        plt.imshow(img_RGB)
        plt.show()

结果

bash 复制代码

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

bash 复制代码

cd out

四、总结

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：

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。
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。
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。
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。
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

从拿到板子，然后通过sd卡烧镜像系统，再把sd卡放入香橙派 AIpro，开机之后系统已经安装好了，直接输入密码就可以进入。比以往的安装系统方便快捷不少，不需要一步一步去配置网卡和dns用户名等。

进入开发板有内置的Jupyter Lab 可以在界面上运行ai应用实例，更方便调试运行和对比数据集的结果，相比于传统开发板香橙派 AIpro更加简单和智能化。

【 香橙派 AIpro评测】烧系统运行部署LLMS大模型体验Jupyter Lab AI 应用样例（新手入门）

文章目录

一、引言

⭐1.1下载镜像烧系统

⭐1.2开发板初始化系统配置远程登陆

💖 远程ssh

💖查看ubuntu桌面

💖 远程向日葵

二、部署LLMS大模型

2.1 快速启动

💖拉取代码

💖下载mode数据

💖启动模型对话

三、体验 内置AI 应用样例

3.1运行 jupyterLab

💖进入sample 启动jupyterLab

3.2打开Jupyter Lab页面

💖界面操作

3.3 释放内存

💖 关闭样例

3.4运行目标检测样例

3.5运行图像曝光增强样例

四、总结

【香橙派 AIpro评测】烧系统运行部署LLMS大模型体验Jupyter Lab AI 应用样例（新手入门）

三、体验内置AI 应用样例