VITIS 是一個用于開發(fā)軟件和硬件的統(tǒng)一軟件平臺，使用 Vivado 和其他用于 Xilinx FPGA SoC 平臺（如 ZynqMP UltraScale+ 和 Alveo 卡）的組件。VITIS SDK 的關(guān)鍵組件 VITIS AI 運行時 （VART） 為在邊緣和云上部署終端 ML/AI 應(yīng)用程序提供了統(tǒng)一的接口。

機器學(xué)習(xí)中的推理是計算密集型的，需要高內(nèi)存帶寬和高性能計算，以滿足各種終端應(yīng)用程序的低延遲和高吞吐量要求。

Vitis AI 工作流程

Xilinx Vitis AI 提供了一個工作流，可使用簡單的流程在 Xilinx 深度學(xué)習(xí)處理單元 （DPU） 上部署深度學(xué)習(xí)推理應(yīng)用程序：

深度處理單元 （DPU） 是一種可配置的計算引擎，針對深度學(xué)習(xí)推理應(yīng)用的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行了優(yōu)化，并置于可編程邏輯 （PL） 中。DPU 包含高效且可擴(kuò)展的 IP 內(nèi)核，可進(jìn)行定制以滿足許多不同應(yīng)用的需求。DPU 定義自己的指令集，Vitis AI 編譯器生成指令。

VITIS AI 編譯器以優(yōu)化的方式調(diào)度指令以獲得可能的最大性能。

在 Xilinx ZynqMP UltraScale+ SoC 平臺上運行任何 AI 應(yīng)用程序的典型工作流程包括以下內(nèi)容：

模型量化

模型編譯

模型優(yōu)化（可選）

構(gòu)建 DPU 可執(zhí)行文件

構(gòu)建軟件應(yīng)用程序

集成 VITIS AI 統(tǒng)一 API

編譯和鏈接混合 DPU 應(yīng)用程序

在 FPGA 上部署混合 DPU 可執(zhí)行文件

人工智能量化器

AI Quantizer 是一種用于量化過程的壓縮工具，通過將 32 位浮點權(quán)重和激活轉(zhuǎn)換為定點 INT8。它可以在不丟失模型準(zhǔn)確信息的情況下降低計算復(fù)雜度。定點模型需要更少的內(nèi)存，因此比浮點實現(xiàn)提供更快的執(zhí)行和更高的功率效率。

人工智能編譯

AI 編譯器將網(wǎng)絡(luò)模型映射到高效的指令集和數(shù)據(jù)流。編譯器的輸入是量化的 8 位神經(jīng)網(wǎng)絡(luò)，輸出是 DPU 內(nèi)核 - 可執(zhí)行文件將在 DPU 上運行。在這里，不支持的層需要部署在 CPU 中，或者可以自定義模型來替換和刪除那些不支持的操作。它還執(zhí)行復(fù)雜的優(yōu)化，例如層融合、指令調(diào)度和片上存儲器的重用。

一旦我們能夠執(zhí)行 DPU，我們需要使用 Vitis AI 統(tǒng)一 API 來初始化數(shù)據(jù)結(jié)構(gòu)，初始化 DPU，在 CPU 上實現(xiàn) DPU 不支持的層，并在 CPU 上添加預(yù)處理和后處理PL/PS 的需求基礎(chǔ)。

人工智能優(yōu)化器

借助其模型壓縮技術(shù)，AI Optimizer 可以將模型復(fù)雜度降低 5-50 倍，而對準(zhǔn)確性的影響最小。這種深度壓縮將推理性能提升到一個新的水平。我們可以實現(xiàn)所需的稀疏性并將運行時間減少 2.5 倍。

人工智能分析器

AI Profiler 可以幫助分析推理找到導(dǎo)致端到端管道瓶頸的警告。分析器為設(shè)計人員提供了 DPU/CPU/內(nèi)存的通用時間線。此過程不會更改任何代碼，并且可以跟蹤功能并進(jìn)行分析。

人工智能運行時

VITIS AI 運行時 （VART） 允許應(yīng)用程序使用統(tǒng)一的高級運行時 API 進(jìn)行邊緣和云部署，使其無縫且高效。一些關(guān)鍵功能包括：

異步作業(yè)提交

異步作業(yè)收集

C++ 和 Python 實現(xiàn)

多線程和多進(jìn)程執(zhí)行

Vitis AI 還提供 DSight、DExplorer、DDump 和 DLet 等，用于執(zhí)行各種任務(wù)。

DSight & DExplorer

DPU IP 為特定內(nèi)核提供了多種配置，以根據(jù)網(wǎng)絡(luò)模型進(jìn)行選擇。DSight 告訴我們每個 DPU 核心的百分比利用率。它還提供了調(diào)度程序的效率，以便我們可以調(diào)整用戶線程。還可以查看每一層和每個 DPU 節(jié)點的性能數(shù)據(jù)，例如 MOPS、運行時間和內(nèi)存帶寬。

Softnautics選擇賽靈思 ZynqMP UltraScale+ 平臺進(jìn)行高性能和計算部署。它提供最佳的應(yīng)用程序處理、高度可配置的 FPGA 加速功能和 VITIS SDK，以加速高性能 ML/AI 推理。我們針對的此類應(yīng)用之一是用于 Covid-19 篩查的面罩檢測。其目的是為戴口罩的人的 Covid-19 篩查部署多流推理，并根據(jù)各國政府對 Covid-19 預(yù)防措施指南的要求，實時識別違規(guī)行為。

我們準(zhǔn)備了一個數(shù)據(jù)集并選擇了預(yù)訓(xùn)練的權(quán)重來設(shè)計一個用于掩碼檢測和篩選的模型。我們通過 TensorFlow 框架訓(xùn)練和修剪我們的自定義模型。這是面部檢測和面具檢測的兩階段部署。如此獲得的訓(xùn)練模型通過前面章節(jié)中介紹的 VITIS AI 工作流程傳遞。與 CPU 相比，我們觀察到推理時間的 10 倍速度。Xilinx 提供了不同的調(diào)試工具和實用程序，它們在初始開發(fā)和部署期間非常有用。在我們最初的部署階段，我們沒有檢測到掩碼和非掩碼類別。我們嘗試將基于 PC 的推理輸出與名為 Dexplorer 的調(diào)試實用程序之一的輸出相匹配。但是，調(diào)試模式和根本原因?qū)е聠栴}進(jìn)一步調(diào)試。在運行量化器時，我們可以使用更大的校準(zhǔn)圖像、迭代和檢測來調(diào)整輸出，視頻輸入的準(zhǔn)確率約為 96%。我們還嘗試使用 AI 分析器識別管道中的瓶頸，然后采取糾正措施以通過各種方式消除瓶頸，例如使用 HLS 加速來計算后處理中的瓶頸。

審核編輯：郭婷