马上就要毕业啦，好久没写文章了，今天给大家带来硕士期间的最后一次AD/DA实验的实验记录，废话少说，先看连接与视频。连接视频我做的实验是AN108+FL9613的DA与AD回环测试，可能和本节教程有点出入，不过没关系，能成功就行。实验视频一、实验任务采用xilinx的dds波形生成器通过DA输出模拟信号，AD采集这个模拟信号并转为数字信号。实验听起来很简单，毕竟这个属于大部分fpga厂商自带课程。但是如果没有开发经验或出现调试问题的，请耐心看完这篇文中。支持ZCU/VCU/K7等一系列xilinx官方板卡。二、实验平台软件：Vivado2019.1硬件：ZCU106（Xilinx）、FL101
一、环境安装1、软硬件需求：Vivado2019.1、ZCU106、Ubuntu18.04.1、petalinux2019.1本文基于2019.1版本的UG1144文档构建https://docs.xilinx.com/api/khub/documents/HXzkPWw1pfgmyp8i8JKniQ/content?Ft-Calling-App=ft%2Fturnkey-portal&Ft-Calling-App-Version=4.2.21https://docs.xilinx.com/api/khub/documents/HXzkPWw1pfgmyp8i8JKniQ/content?Ft
1、大家好，今天给大家带来的内容是，基于AXI4协议的采用AXI-HP通道完成PL侧数据发送至PS侧（PS侧数据发送至PL侧并没有实现，但是保留了PL读取PS测数据的接口）2、如果大家用到SoC这种高级功能，那大家应该对于AXI4协议已经很熟悉了，但本文侧重点为初学者直接提供可以上手的硬件实验，大佬请忽略。3、AXI4协议的基础内容：之前对于AXI4协议已经做过一些总结，但是总结的不好，下面重新进行总结。（1）关于AXI4协议的视频课以及博客FPGA-ZCU106-PL侧读写ddr4（全网唯一）_发光的沙子的博客-CSDN博客本次给大带来了ZCU106的PL侧读写ddr4的教程，本教程是全网唯
花了将近2周移植了ZCU102的MIPIexample工程到ZCU104板子，记录一下我的移植过程。首先这位哥们的详细讲解给予了很大的帮助，我也是根据他的方法进行移植，不过遇到了一些问题：(34条消息)ZCU106开发板MIPI摄像头开发的示例程序【详细讲解】_huyuhan02的博客-CSDN博客我是在VIVADO2021.2的开发环境中进行的移植：1、首先打开ZCU102的MIPIexampledesign，然后打开工程的blockdesign，配置ZYNQ的IP核。这一步我们需要配置ZYNQ的DDR配置，参考上文中哥们的操作，把PCIe、SATA、DisplayPort都是多余的，最好在
系列文章目录第一章 Vitis-AI量化编译YOLOv5（Pytorch框架）并部署ZCU104（一）第二章 Vitis-AI量化编译YOLOv5（Pytorch框架）并部署ZCU104（二）目录系列文章目录前言一、Netron查看网络结构二、与开发板建立通信1.设置主机2.设置开发板三、C++API编写四、编译运行总结前言第一章已经详细介绍了在主机利用Vitis-Ai进行量化编译后，成功生成了.Xmodel文件，本章主要介绍如何将.Xmodel部署到ZCU104，并利用C++API进行目标检测。一、Netron查看网络结构Netron是一种用于神经网络、深度学习和机器学习模型的可视化工具，它
1、由于一直在PL侧做算法，外设接口接触的比较少，目前只做了sfp的UDP传输，但是由于课题的原因需要将一部分PL计算数据存储，而RAM存储空间比较小，因此本次给大带来了ZCU106的PL侧读写ddr4的教程，本教程是全网ZCU106DDR4PL侧读写的唯一一篇教程。下面是4个参考资料：①：ZCU106开发之PL侧DDR4_lixiaolin126的博客-CSDN博客_zcu106开发板ddr4感谢大家漫长的等待！！我们团队从2017底拿到ZCU106后就一直在进行相关研发，由于手头上的活比较多就把ZCU106开发详解的发布给延迟了。现在我们将ZCU106开发过程中遇到的问题和解决办法跟大家进
文章目录前言 一、Vitis-AIPytorch框架量化（vai_q_pytorch) 二、编写量化脚本并进行量化 三、模型编译 总结 前言 虽然Xilinx提供了Vitis-AI用户手册Vitis-AI2.5用户手册，但是其中对于一些安装和使用介绍极为简略，在安装和使用过程中碰到了一系列问题，所以在这里记录一下使用Vitis-AI过程中遇到的各种坑。 一、Vitis-AIPytorch框架量化（vai_q_pytorch) 我们使用的是pytorch框架的yolo模型，在使用vitis-ai量化前根据指导手册，要安装vai_q_pytorch，但是需要注意，我们在安装过程
VitisAI是Xilinx的开发平台，适用于在Xilinx硬件平台（包括边缘设备和Alveo卡）上进行人工智能算法推理部署。它由优化的IP、工具、库、模型和示例设计组成。VitisAI以高效易用为设计理念，可在XilinxFPGA和ACAP上充分发挥人工智能加速的潜力。0.工具/软件mobaXterm：ssh/uart/…方式远程连接zynqbalenaetcher：镜像烧录工具vitis：自动安装对应版本的vivado、vitisHLS#***********1.安装依赖***********sudoadd-apt-repositoryppa:xorg-edgers/ppasudoapt-
基于Vitis-AI的yolov5目标检测模型在ZCU102开发板上的部署过程分享前言开发环境整体流程1.模型训练2.模型量化3.模型编译4.开发板运行结语前言之前本来想要做基于ZCU106的Vitis-AI开发，但是官方对106缺少相关文档说明，而我需要移植的yolov5模型需要使用Vitis-AI的2.0往后的版本来支持更新的pytorch版本，相对应的也需要更新Vitis等工具的版本，所以在缺少参考资料的情况下我选择找实验室换成了ZCU102开发板先把基本流程走一遍，这篇博客就记录了我移植yolov5模型的整个过程。开发环境硬件环境：Zcu102开发板PC机操作系统：Ubuntu18.0
基于Vitis-AI的yolov5目标检测模型在ZCU102开发板上的部署过程分享前言开发环境整体流程1.模型训练2.模型量化3.模型编译4.开发板运行结语前言之前本来想要做基于ZCU106的Vitis-AI开发，但是官方对106缺少相关文档说明，而我需要移植的yolov5模型需要使用Vitis-AI的2.0往后的版本来支持更新的pytorch版本，相对应的也需要更新Vitis等工具的版本，所以在缺少参考资料的情况下我选择找实验室换成了ZCU102开发板先把基本流程走一遍，这篇博客就记录了我移植yolov5模型的整个过程。开发环境硬件环境：Zcu102开发板PC机操作系统：Ubuntu18.0
