前言

最近参加活动，到手了一块香橙派AI-Pro系列的单板计算机，也就是开发板。

这款开发板，名叫Orange Pi AI-Pro，中文名香橙派 AI-Pro，是一款专为人工智能应用设计的高性能单板计算机。它是香橙派联合华为精心打造，采用了华为的昇腾（Ascend）AI技术，集成了高性能的处理器和专用的人工智能加速器，速度更快，功耗更低，可为各类AI应用场景带来卓越的性能表现。

有的同学，不太了解单板计算机是什么，你可以通俗的理解为是一个小型的电脑主机。单板计算机（Single Board Computer，简称SBC）是一种将计算机的所有主要部件，包括微处理器、存储器、输入输出接口等，整合在一块电路板上的计算机系统。

而香橙派品牌始于2014年，由深圳市迅龙软件有限公司创建，该公司成立于2005年，是全球领先的开源硬件和软件服务商，专注于开发和销售开源的单板计算机（SBC），总部位于中国广东省深圳市。

香橙派与华为的合作，核心目标是利用华为的先进技术和香橙派的硬件创新能力，共同推进AI技术的普及和应用，特别是在教育、科研、工业自动化和边缘计算等关键领域。Orange Pi AI-Pro单板计算机，是香橙派与华为在构建新一代AI生态上的深度合作与重要突破，它为开发者提供了强大的AI计算平台，加速了AI技术的普及与应用，是建设人工智能新生态的关键一步。下面这是收到的包裹物件，里面除了开发板，还带了充电器和充电线。

然后，这期来记录一下，这款单板计算机，在实际应用场景中到底表现如何

文章目录：
一. 香橙派 AI-Pro（Orange Pi AI-Pro）单板计算机，介绍
二. 香橙派 AI-Pro（Orange Pi AI-Pro）实际应用
三. 分析和总结
四. 了解更多，请看

一. 香橙派 AI-Pro（Orange Pi AI-Pro）单板计算机，介绍

1. 具体介绍

   OrangePi AIpro(8-12T)采用昇腾AI技术路线，具体为4核64位处理器+AI处理器，集成图形处理器，支持8-12TOPS AI算力，拥有8GB/16GB LPDDR4X，可以外接32GB/64GB/128GB/256GB eMMC模块，支持双4K高清输出。 Orange Pi AIpro引用了相当丰富的接口，包括两个HDMI输出、GPIO接口、Type-C电源接口、支持SATA/NVMe SSD 2280的M.2插槽、TF插槽、千兆网口、两个USB3.0、一个USB Type-C 3.0、一个Micro USB（串口打印调试功能）、两个MIPI摄像头、一个MIPI屏等，预留电池接口，可广泛适用于AI边缘计算、深度视觉学习及视频流AI分析、视频图像分析、自然语言处理、智能小车、机械臂、人工智能、无人机、云计算、AR/VR、智能安防、智能家居等领域，覆盖 AIoT各个行业。 Orange Pi AIpro支持Ubuntu、openEuler操作系统，满足大多数AI算法原型验证、推理应用开发的需求。
   来看下这款板子外观，可以看到，接口非常丰富，覆盖了我们日常使用的各种场景，而且板子拿在手里很有份量感，用料很扎实。

2. 产品详细图

3. 硬件规格参数

4. 应用场景和领域

   Orange Pi AI-Pro凭借其强大的AI算力和丰富的接口，适用于多个实际应用场景和领域，包括但不限于以下：

1. AI 边缘计算：在物联网(IoT)和工业4.0环境中，作为边缘设备进行数据预处理和分析，减少对云端的依赖和带宽消耗。实现智能监控和安全系统，如人脸识别、行为分析和异常检测。
2. 深度视觉学习及视频流AI分析：视频监控中的实时物体检测和分类。无人驾驶车辆中的环境感知和障碍物识别。娱乐行业的实时视频特效生成。
3. 视频图像分析：医疗成像中的图像诊断辅助。质量控制中的缺陷检测。农业监测中的作物健康评估。
4. 自然语言处理(NLP)：语音识别和转换为文本的智能助手。情感分析和语义理解。文本翻译和自动摘要生成。
5. 智能小车和机械臂：自主导航和避障的机器人平台。工业自动化中的物料搬运和组装。
6. 人工智能教育：为学生提供实践AI算法的平台，如图像识别课程。作为机器人竞赛和STEM教育项目的工具。
7. 无人机：实时图像传输和处理，用于空中侦察和农业喷洒。高精度的飞行路径规划和自主控制。
8. 云计算和边缘节点：作为轻量级的云服务边缘节点，处理延迟敏感型任务。数据中心内的智能管理和服务。
9. AR/VR 技术：制作AR/VR内容，如游戏开发和交互式体验。企业培训和远程协作中的虚拟现实应用。
10. 智能安防：安全入口的生物特征认证。基于视频的入侵检测系统。
11. 智能家居：智能家居中心，控制家电和安全系统。基于AI的能源管理和自动化。
12. 科学研究与开发：用于科学计算和模拟的低成本高性能计算平台。AI算法的研发和测试。

Orange Pi AI-Pro的多功能性和可扩展性使其成为一个非常适合进行原型设计、开发和部署AI解决方案的平台，无论是在实验室、教育机构还是商业环境中。

二. 香橙派 AI-Pro（Orange Pi AI-Pro）实际应用

1. 开机，默认配置信息

   首先，我们将单板计算机连接到显示器，这里需要用到一根HDMI线，来连接开发板和显示器，别忘了给开发板插上电源。

连接成功后，这里我们可以看到Orange Pi的登录界面，默认登录密码为

初始密码是：Mind@123

然后这是默认桌面样式
我们再看下，装配的默认系统。直接打开控制台，输入以下命令查看（该命令在Linux系统中用于显示与操作系统相关的信息）

cat /etc/os-release

可以看到，该系统是 openEuler 的一个版本，具体来说是 openEuler 22.03。openEuler 是一个开源的 Linux 发行版项目，最初由华为开发并贡献给开放原子开源基金会（OpenAtom Foundation）。因此，这个终端属于 openEuler 操作系统，并且当前使用的版本是 22.03。

2. YOLOv8目标检测算法

2.1 算法介绍

  YOLO（You Only Look Once）家族是经典的物体检测算法系列。自2015年第一版发布以来，YOLO以其单阶段（one-stage）框架实现了领先的效率，迅速成为主流检测算法。通过不断的研究和创新，不同版本的YOLO被提出。最新版本是YOLOv8，这种算法引入了新的特性和改进，成为YOLO家族中最好的模型。YOLOv8的结构包括输入、主干、颈部、输出四个部分。

  而YOLOv8（You Only Look Once version 8）是YOLO系列目标检测算法的最新版，以其高效的单阶段（one-stage）检测架构而闻名，这使得它们在检测速度和精度之间达到了良好的平衡。YOLOv8由Ultralytics在2023年1月开源，引入了许多新的特性和改进，使其成为YOLO家族中最先进的模型。这是深度解析图

目前深度学习目标检测任务的两大技术路线：

1. 以 YOLO (You Only Look Once) 系列算法和 SSD (Single Shot Detection)[3]
   系列算法为主的 One-Stage 目标检测算法。
2. 以 Faster R-CNN (Faster Region with Convolutional Neural Network)[4]
   系列算法为主的 Two-Stages 目标检测算法。

  One-Stage目标检测算法将目标检测问题转换为直接回归问题，不生成候选框。而Two-Stage目标检测算法结合卷积神经网络（Convolutional Neural Network, CNN）和区域建议网络（Region Proposal Network, RPN），通过不同大小的滑动窗口从左上角到右下角滑动并扫描特征图（Feature Map）来生成多个候选区域，再提取这些区域的视觉特征。
  两种方法各有其优缺点：One-Stage目标检测算法的检测速度更快，因此在实时性方面更具优势。例如，方仁渊和王敏在商品包装类型检测中，首先简化了原始YOLO算法的骨干网络部分，大大降低了训练时间成本，然后提出了一种反向连接结构，达到了与原始网络相同的平均精度。

2.2 架构设计

1. 输入：主要包括颜色扰动、空间扰动、镶嵌、混合。不同数量的图片经过组合数据增强处理后拼接在一起，增加了多方向的物体视角，也丰富了图像背景的多样性。

2. 主干：主要包括卷积层、C2F层和SPPF层。C2F结构不同于YOLOv8中的C3模块，后者借鉴了YOLOv7中ELAN (高效层聚合网络) 的思想[9]，提高了梯度传播的效率，使网络能够快速收敛。SPPF层保持了YOLOv8中的设计。

3. Neck：采用FPN (特征金字塔网络) 和PAN (路径聚合网络) 相结合的结构[10]。相邻层的特征被连接，作为C2F模块的输入。当特征从上到下传递时和底层特征的高级语义特征组合在一起。

4. 输出：实现了检测和分类的解耦。底层特征用于获取小目标对象的信息，顶层特征是大目标对象的结果。每个检测层输出一个结果向量，其中包含位置和相应的类别信息。

2.3 应用领域

YOLOv8可以广泛应用于各种计算机视觉任务，包括但不限于：

• 人脸识别和跟踪：用于安全监控和门禁系统。
• 自动驾驶：用于检测道路上的车辆、行人和其他障碍物。
• 医疗图像分析：用于检测和识别医学影像中的病变区域。
• 工业检测：用于产品质量检测和缺陷识别。
• 农业：用于病害虫检测和作物健康监测。

3. 基于YOLOv8实现的10种饮料目标检测

3.1 场景趋势

  随着计算机视觉技术的发展，我们可以看到物体检测技术的快速发展及其对整个计算机视觉领域的深远影响。目标检测是在图像分类基础上增加了目标定位功能的研究方向，其应用领域越来越广泛，例如小区门禁人脸识别、无人售货、运动领域的动作点识别等。
  而饮料检测在当今零售业中起着重要的作用，有助于无人售货机、无人超市的发展，满足日益增长的饮料零售需求。目前，对商品目标快且准确的检测是未来“新零售”最重要的技术需求。随着深度学习技术的快速发展，目标检测算法如更快的RCNN、YOLO、FCOS等，也逐步开始应用于饮料检测。

3.2 应用流程

3.2.1 安装环境

首先，安装Python 3.9版本，实现该语言环境。安装完成后，安装以下依赖库：

pip install numpy pandas matplotlib opencv-python pillow seaborn tqdm lap thop warnings

  这里YOLOv8运行时可能会产生一些无关紧要的代码提示，可以通过设置warnings来忽略这些提示：

import warnings
warnings.filterwarnings("ignore")

3.3.2 开始训练

  直接将YOLOv8算法文件放在桌面，然后修改需要训练的yaml文件，指定数据集地址。步骤如下：

1. 将数据集划分为test、train、val以及对应的images和annotations/xmls目录。
2. 在yolov8/ultralytics/datasets目录下复制一个path和names。
   

  这里为了简化运行train.py文件的过程，可以创建一个run_train.ipynb文件，简化运行。内容如下：

from ultralytics import YOLO

# 加载YOLOv8模型
model = YOLO("ultralytics/cfg/models/v8/yolov8.yaml").load("weights/yolov8n.pt")

# 开始训练
model.train(data="ultralytics/datasets/insect.yaml", epochs=100, device=0)

# 验证模型
metrics = model.val()

其中，data=“ultralytics/datasets/insect.yaml”, epochs=100, device=0表示数据集地址，epochs是训练次数，device是训练时指定使用CPU还是GPU。

A. Drink_284数据集
这里使用Drink_284数据集，包括10种饮料类型，不同饮料的规格如下表所示：

B. 数据集部分图像

C. 模型训练参数

• 初始学习率：0.01
• 动量：0.937
• 权重衰减：0.0005
• 训练阈值：0.25
• 图像大小：640×640
• 训练轮次（epoch）：100
• 批量大小（batch size）：16

3.3.3 训练结果

  YOLOv8目标检测算法训练结束后，会生成一个包含各种预测图、数据曲线、训练周期变化数据的文件夹run.zip。以下是一些示例图：

A. 将测试数据集输入到最终改进的YOLOv8模型中，检测后示例图像如图1所示

B. 实验表明，改进后的YOLOv8提高了置信度，在小目标物体饮料情况下，能有效提高饮料的检测准确率。PR曲线结果如图2所示

C. mAP为0.992，不同类型的AP数值如表3所示

三. 分析和总结

  简单总结一下，我们使用了香橙派AIpro训练了YOLOv8算法，实现了基于YOLOv8的10种饮料目标检测，这一过程充分展示了香橙派AIpro在实时计算、计算机视觉任务中的适用性。总体下来，感觉很好，对于YOLOv8这样的深度学习模型来说，资源充足。只需几个简单的硬件设备，显示器、键盘、鼠标，就可以当电脑使用，全程难度不大。而且过程基本无噪音，我下载启动软件时，系统也没有卡顿，散热器风扇一直在运行，结束时候开发板还是比较烫的，但是能接受。
  一个朋友之前用的都是趋动云这样的服务器进行训练的，听他说操作起来很繁琐，需要压缩解压，而且云服务器都是按小时计费的，计算能力越高小时费用越高。这里香橙派的性价比就体现出来了，AIpro8+32G的版本才800元左右，肯定是不二之选。
  香橙派AIpro（Orange Pi AI-Pro）作为一个AI开发平台，为基于YOLOv8的目标检测项目提供了强大的硬件支持。其出色的AI算力、内存配置和扩展性使得模型的部署和运行成为可能。

四. 了解更多，请看

Orange Pi官网 >>

Orange Pi论坛 >>

昇腾（Ascend）AI社区 >>