AOM-2721是一款开放标准模块（OSM），其采用OSM 1.1标准。作为紧凑且高度集成的计算平台，AOM-2721尤其适用于嵌入式应用与边缘人工智能场景。
一 准备
1.硬件：
AOM-2721 OSM开发套件，采用 高通跃龙 QCS6490处理器
- 高通8核Kryo CPU，高达2.7GHz
- Hexagon Tensor处理器，12 TOPS AI算力
- Adreno VPU 633, 4K30 编码/ 4K60解码 H.264/265
- Adreno GPU 643, OpenGL ES3.2/OpenCL 2.0
- 板载8GB LPDDR5 内存, 8533MT/s
- 板载128GB UFS + 128GB eMMC存储
- I/O接口: 1 x HDMI 1920 x 1080 @60Hz, 1 x DP 1920x1080 @60Hz, 2 x 4-Lan MIPI-CSI, 1 x USB 3.2 Gen1, 2 x PCIe Gen3x1, 1 x PCIe Gen3 x2, and 2 x GbE
一套x86开发机，16GB RAM和350GB存储空间
一个全高清HDMI显示器和一根HDMI电缆
一套USB键盘和鼠标
2.软件：
用于x86开发机器的Ubuntu 20.04或22.04
Docker引擎用于x86机器的开发
研华Edge AI SDK/推理套件用于AOM-2721（下载；安装说明）
本文涵盖了三个主要主题以及详细的方法：
1. 如何在AOM-2721上启用AI运行
- 编译Yocto OS镜像（通过开发机）
- 安装Yocto操作系统（通过Windows主机）
- 在AOM- 2721上设置AI运行时
2. 如何使用研华Edge AI SDK中的无代码工具快速评估AI性能
- 在AOM-2721上启动Edge AI SDK/Inference Kit
- 启动用于检测物体的视觉AI
- 监控工作负荷并运行基准
3. 如何为实际应用开发AI示例工作流：
- 使用高通AI Hub云服务
- 在AOM-2721上部署Qualcomm AI Hub模型，用于AI任务
- 在AOM-2721上集成开源的YOLO模型，用于AI任务
二 Edge Impulse 设计脉冲（Impulse）
1.导航至"实验"页面，通过点击"创建新脉冲"来准备创建新的脉冲流。
2.在脉冲配置页面中，将输入图像尺寸（416x416）及缩放模式作为后续图像处理与学习的基础参数进行设置。
3.在Impulse中添加一个"处理模块"，选择图像模块对图像进行预处理和归一化。
4.脉冲配置通过左侧输入图像参数进行更新，中间为图像处理模块。
5.添加一个"学习模块"，提供诸如目标检测、FOMO异常检测或YOLOv5模型等选项。
6.脉冲设置已完成，包括图像输入模块和YOLOv5学习模块，输出特征涵盖歪斜、过焊和立碑不良。
7.成功保存脉冲配置，输入模块与学习模块已建立，准备进行后续训练。
三 特征生成
8.在图像模块设置页面中，可查看原始图像、RGB色彩深度以及处理后的特征结果。
9.准备生成特征，系统显示490个训练样本，分为弯曲、过量焊接和立碑不良三类。
10.在特征生成过程中，系统处理数据集并显示作业调度和进度。
11.特征生成完成，显示各类别的样本数量，以及设备端性能信息（如处理时间和内存使用情况）。
- 特性可视化结果，以彩色散点图形式展示弯曲、过量焊接及坟墓样本。
四 模型训练（YOLOv5）
13.YOLOv5设置页面，用户可在其中配置训练处理器（CPU/GPU）、训练循环次数、模型大小及批量大小。
14.配置YOLOv5训练参数，将训练循环次数设置为200次，并选择小型模型（720万参数）。
15.将批量大小调整为16，以匹配训练资源和数据集规模。
16.开始训练YOLOv5模型，系统将显示训练进度和实时日志。
17.训练结果页面显示精度得分达99.2%，同时呈现详细性能指标，包括平均点准确率（mAP）和召回率。
五 再训练和测试
18.在"模型再训练"页面，选择现有的图像模块和YOLOv5学习模块，为模型再训练做准备。
19.在模型再训练过程中，系统持续显示特征处理和YOLOv5训练状态。
20.系统在再训练后显示所有模块均执行成功，模型测试已完成。
21.在"实时分类"页面，选择设备和摄像头源后，点击"开始采样"即可启动实时图像处理。
22.模型测试结果显示，测试图像的准确率达到100%，并提供了精确率和召回率等详细指标。
六 部署
23.在"部署"页面上，选择部署目标为Linux（搭载高通QNN的AARCH64架构），并配置模型优化选项。
24.通过选择量化（int8）或浮点32（float32）模式配置模型部署，并可选运行模型测试。
25.在模型构建和部署过程中，系统会显示部署文件的生成情况。
26.模型构建已成功完成，可下载的 .eim 部署文件现已提供。
27.在QCS6490开发板上运行编译后的Edge Impulse模型文件（.eim），以启动推理过程。
28.将编译后的.eim模型文件从已挂载的USB磁盘复制到QCS6490开发板文件系统。
29.使用 edge-impulse-linux-runner 命令在开发板上运行 .eim 模型文件。
30.系统会提示选择模型变体，用户可选择未优化（float32）或量化（int8）版本。
31.选择量化（int8）模型后，系统将下载并部署该模型。
32.模型构建与部署完成，显示"二进制构建成功"并正在备份部署文件。
七 EON Tuner优化
33.进入EON Tuner页面，配置模型优化的超参数搜索。
34.在EON Tuner中配置名为Run #1的新实验，目标设定为最小化验证损失。
35.在EON Tuner设置中，将实验命名为Run #1_AOI，并将用例选为目标检测（边界框）。
37.EON调谐器实验开始运行，系统自动搜索最佳配置方案。
38.EON Tuner 显示搜索进度，包括不同超参数组合的测试结果。
39.EON调谐器结果页面，展示不同模型配置间的性能对比。
40.EON Tuner 选择最佳模型配置，并突出显示推荐的优化设置。
41.优化完成后，系统提示重新训练并部署新的模型配置。
42.AOI模型部署已完成，Edge Impulse平台显示优化后的模型已成功构建并准备就绪，可进行推理。最后，您可将此优化模型添加至项目中，确保获取最佳训练数据。
