## PaddlePaddle [Paddle Lite_飛槳-源于產業實踐的開源深度學習平臺](https://www.paddlepaddle.org.cn/paddle/paddlelite) [英特爾 FPGA 部署示例-PaddlePaddle深度學習平臺](https://www.paddlepaddle.org.cn/lite/v2.10/demo_guides/intel_fpga.html)  1. Lite 預編譯庫[下載](https://www.paddlepaddle.org.cn/lite/v2.10/quick_start/release_lib.html) 2. 安裝 python預測庫 ~~~ pip install paddlelite==2.9 ~~~ 3. 通過模型可視化工具[Netron](https://github.com/lutzroeder/netron)打開文件夾下的__model__文件，查看模型結構。 https://netron.app/ 4. 開發應用程序 ~~~ https://www.paddlepaddle.org.cn/lite/v2.9/quick_start/python_demo.html 1. 聲明`MobileConfig`，設置第二步優化后的模型文件路徑，或選擇從內存中加載模型 2. 創建`Predictor`，調用`CreatePaddlePredictor`接口，一行代碼即可完成引擎初始化 3. 準備輸入，通過`predictor->GetInput(i)`獲取輸入變量，并為其指定輸入大小和輸入值 4. 執行預測，只需要運行`predictor->Run()`一行代碼，即可使用Lite框架完成預測執行 5. 獲得輸出，使用`predictor->GetOutput(i)`獲取輸出變量，并通過`data<T>`取得輸出值 ~~~ ---- ~~~ 海云捷迅杯 一、杯賽題目：基于FPGA CNN加速器的SSD_MobileNetV1模型目標檢測實現 二、參賽組別：A組、B組 三、設計任務： 1. 基于百度Paddle-lite v2.9框架①(必須)、海云捷迅自研CNN加速器(可選，也可以使用自己設計的加速器)（包含卷積、DW卷積、RELU、RELU6、量化算法，其中量化是把計算好的32位定點轉為浮點再轉為8位定點輸出）。 2. 基于該加速器Linux驅動示例，可以看到數據重整的方法。根據算子運行位置（PS、PL）的不同，參照驅動示例來重新排列數據。 3. 基于VOC數據集進行訓練。 4. 對模型在要求的設計指標內進行各種優化操作，包括剪枝、量化等。 5. 提出設計方案，實現并完成指定測試圖片集的目標檢測功能。 6. 基礎部分60分（滿足設計指標），附加部分40分（在滿足設計指標的情況下，按照推理速度進行評分）。最后總分按兩部分相加得到。 7. 備注：海云捷迅會提供（杯賽釘釘群內下載）： 1) FPGA配置文件 2) CNN加速器相對應的Linux驅動示例 3) Paddle-lite v2.9①、SSD_MobileNetV1②(全精度版本) 的Demo程序；驅動示例；CNN加速器FPGA配置文件 四、設計指標： 1. 模型部署完成，能正確識別圖片數據。 2. 幀率不低于2幀。 3. 精度不低于65%。 ~~~ ---- ~~~ http://183.230.19.155:16789/s/bb7WcRHNq3Yq2wj fpga@2022 ~~~