香橙派基本开发经验分享
前言
本篇文章会初步介绍香橙派的基本配置,硬件使用,远程连接,以及在线与离线两方面的AI样例体验
准备工作
首先给开发板连接上所有的必要部件，USB口接上键盘与鼠标，HDMI口接上显示屏，在接上电源
接上电源以后，需要等待一段时间，香橙派会进入用户登录界面
输入密码Mind@123，进入主界面
1.wifi配置
我们在终端给香橙派连上wifi
首先键入命令nmcli dev wifi,在终端会显示出所有在范围内可以连接的WIFI
然后我们通过nmcli dev wifi connect （WIFI名）password （密码）登录
当出现类似
Device'wlan0'successfully activated with 'ecd1254-c016-4221-b0a1-4e5af51c2bba'
之类的字样时，证明连接成功。
此外我们还可以通过ping和ip address show查看本及wifi的IP地址以及网速
如图可见，我们连接的wifi的ip地址是192.168.5.30，网络连通性好。
- 摄像头连接配置
首先需要查看摄像头的设备节点信息
可以看到，摄像头是图中的/dev/video0
然后利用fswebcam对摄像头进行测试
将最后存的图片保存在桌面上，拍摄成功
1.远程连接开发板
我们可以通过ssh用自己的windows远端连接香橙派，
首先要下载mobaxterm软件
然后通过ssh远端连接香橙派（要确保香橙派打开且输入密码）
然后我们就可以在自己电脑上远程使用香橙派了。
- 远程传输文件
按照教程下载软件FileZilla
然后通过IP与端口号与香橙派连接
我们将远端D盘的文件deeplearning传入香橙派的Home目录，如图，在香橙派中接收成功
- 配置swap内存
在终端，我们首先需要创建swap文件，我们这里创建的是16G的文件
使用命令sudo fallocate -l 16G /swapfile
然后通过一系列步骤添加swap内存。
为了后续需要，我们还需设置在重启之后依然有效，
于是输入命令echo '/swapfile none swap sw 0 0' | sudo tee -a /etc/fstab
- 测试Mindspore
我们使用
import mindspore; mindspore.set_context(device_target='Ascend');mindspore.run_check()
可以查看到当前Mindspore的版本，这里显示的版本是2.4.10
同时利用pip install --upgrade mindspore 可以下载最新版本的mindspore
下载最新版本花了一个小时的时间，下载完成后，系统显示当前版本是2.6.-0
1.登录juypterlab
进入到samples目录，然后启动启动start_notebook.sh的脚本
在输出的信息中找到对应的网址，并复制到firefox浏览器打开，可以得到类似以下的界面
- 运行目标检测样例
首先先把所有内核关掉（防止运行空间不够，每个样例运行前都应做如此操作）
找到左侧的01-SSD，点击运行（如上图）
如果出现如下（DONE以下的部分），则证明运行成功
测试数据也成功保存
- 运行文字识别样例
打开02-CNNCTC，运行方法同上，
最终在页面得到如下结果（predict：....，证明生成成功）
- 运行目标分类案例
打开03-ResNet50，运行方法同上，最终在页面得到如下结果（predict：....，证明生成成功）
- 图像曝光案例
打开04-HDR，运行方法同上，最终在页面得到如下图片，证明生成成功
1.新卡烧制
由于学校给的SD卡中没有目标文件，所以我们需要重新烧制目标文件
在官网上下载相关的映像文件（.Img结尾文件），然后烧入新的SD卡中
我们可以在新的卡中查看文件的树形目录，可以发现其包含很多应用样例供我们学习
然后沿照（四）中方法打开JupyterLab网站
- 内存配置
这里我们需要24G的内存，所以我们需要配置一块24G的swap内存(以防运行内存不足多配了一点)
- 简单深度学习模型运行
我们利用Mindspore的API，快速实现一个简单的深度学习模型，进行基本正向计算，反向传播，参数优化的过程，使用流水线技术完成一个完整的训练过程，并最终用测试集进行预测，打印出每一轮的损失值loss和准确率accuracy，可以发现每次训练，损失值都在不断下降，准确率在不断提高
- ResNet50图像分类样例
ResNet50属于监督学习类别，利用残差网络结构减轻退化问题，可实现搭建较深的网络结构，这里的样例巡行失败，报错信息显示如下
经过查阅得知，主要原因是华为云OBS中相关文件被移除或者路径更改，导致无法通过正确路径获取
5.vit图像分类样例
我们利用Vision Transformer的原理，构建vit模型进行图片推理，运行成功后，在推理文件夹infer下可以找到对应推理结果的图片
6.FCN图像语义分割样例
FCN是全卷积神经网络，我们对数据进行预处理与加载，并将数据集可视化，然后构建FCN-8s的网络，然后进行推理得到结果如下，可见语义分割成功
- ShuffleNet图像分类样例
ShuffleNet是一种计算高效的CNN模型，既能保持精度，又能通过减小参数大大降低模型计算量，我们现在CIFAR-10的测试集上对模型进行预测，并将其可视化
- SSD目标检测样例
SSD是单阶段的目标检测算法，对原始输入图像进行区域的随机采样，最后输出目标检测的结果
- RNN情感分类
这是自然语言处理中的一个经典案例，对目标语言进行情感预测，我们对“This film is great”进行测试，运行后可得结果“positive”
- LSTM+CRF序列标注样例
此案例可以给序列中每一个token进行标注，结果用命名实体的标注方法--BIOE标注，对“清华大学坐落于首都北京”进行标注，得到结果如下
11.GAN图像生成样例
生成式对抗网络，可以通过加载生成器网络模型参数文件来生成图像
- DCGAN生成漫画头像样例
我们可以通过动漫头像数据集来训练一个生成式网络，然后用该网络生成新的动漫头像图片
13.运行llm大模型语言
Qwen
首先要在终端，在联网条件下把模型下载下来，（同时这里要关闭swap内存分区）
等到模型下载完成，系统会给一个ip，用于访问大模型应用
在firefox中打开,即可与大模型对话
Tinyllama
与上面类似，在终端启动时，第一次需要下载模型
下载完成后通过IP与大模型连接，
用同样的方法可以进行对话
DeepeekR1
与上面两个案例同理，下面展示用IP接入成功大模型后的对话测试（由于网络问题响应非常慢）
香橙派是一款集成度高，支持多数AI，拥有高算力的，但是其内部存在的问题偏多，如大部分AI样例都因为HTTP的报错而无法使用，（原因大概率因为华为丛云盘里删掉了相关资源文件）对新手不是很友好，很难进行更深一步的探索，希望官方能出一些基本的现实应用案例展示与更进一步开发的指导说明
点赞
收藏
回复
分享
举报
香橙派基本开发经验分享
前言
本篇文章会初步介绍香橙派的基本配置,硬件使用,远程连接,以及在线与离线两方面的AI样例体验
准备工作
首先给开发板连接上所有的必要部件，USB口接上键盘与鼠标，HDMI口接上显示屏，在接上电源
接上电源以后，需要等待一段时间，香橙派会进入用户登录界面
输入密码Mind@123，进入主界面
1.wifi配置
我们在终端给香橙派连上wifi
首先键入命令nmcli dev wifi,在终端会显示出所有在范围内可以连接的WIFI
然后我们通过nmcli dev wifi connect （WIFI名）password （密码）登录
当出现类似
Device'wlan0'successfully activated with 'ecd1254-c016-4221-b0a1-4e5af51c2bba'
之类的字样时，证明连接成功。
此外我们还可以通过ping和ip address show查看本及wifi的IP地址以及网速
如图可见，我们连接的wifi的ip地址是192.168.5.30，网络连通性好。
首先需要查看摄像头的设备节点信息
可以看到，摄像头是图中的/dev/video0
然后利用fswebcam对摄像头进行测试
将最后存的图片保存在桌面上，拍摄成功
1.远程连接开发板
我们可以通过ssh用自己的windows远端连接香橙派，
首先要下载mobaxterm软件
然后通过ssh远端连接香橙派（要确保香橙派打开且输入密码）
然后我们就可以在自己电脑上远程使用香橙派了。
按照教程下载软件FileZilla
然后通过IP与端口号与香橙派连接
我们将远端D盘的文件deeplearning传入香橙派的Home目录，如图，在香橙派中接收成功
在终端，我们首先需要创建swap文件，我们这里创建的是16G的文件
使用命令sudo fallocate -l 16G /swapfile
然后通过一系列步骤添加swap内存。
为了后续需要，我们还需设置在重启之后依然有效，
于是输入命令echo '/swapfile none swap sw 0 0' | sudo tee -a /etc/fstab
我们使用
import mindspore; mindspore.set_context(device_target='Ascend');mindspore.run_check()
可以查看到当前Mindspore的版本，这里显示的版本是2.4.10
同时利用pip install --upgrade mindspore 可以下载最新版本的mindspore
下载最新版本花了一个小时的时间，下载完成后，系统显示当前版本是2.6.-0
1.登录juypterlab
进入到samples目录，然后启动启动start_notebook.sh的脚本
在输出的信息中找到对应的网址，并复制到firefox浏览器打开，可以得到类似以下的界面
首先先把所有内核关掉（防止运行空间不够，每个样例运行前都应做如此操作）
找到左侧的01-SSD，点击运行（如上图）
如果出现如下（DONE以下的部分），则证明运行成功
测试数据也成功保存
打开02-CNNCTC，运行方法同上，
最终在页面得到如下结果（predict：....，证明生成成功）
打开03-ResNet50，运行方法同上，最终在页面得到如下结果（predict：....，证明生成成功）
打开04-HDR，运行方法同上，最终在页面得到如下图片，证明生成成功
1.新卡烧制
由于学校给的SD卡中没有目标文件，所以我们需要重新烧制目标文件
在官网上下载相关的映像文件（.Img结尾文件），然后烧入新的SD卡中
我们可以在新的卡中查看文件的树形目录，可以发现其包含很多应用样例供我们学习
然后沿照（四）中方法打开JupyterLab网站
这里我们需要24G的内存，所以我们需要配置一块24G的swap内存(以防运行内存不足多配了一点)
我们利用Mindspore的API，快速实现一个简单的深度学习模型，进行基本正向计算，反向传播，参数优化的过程，使用流水线技术完成一个完整的训练过程，并最终用测试集进行预测，打印出每一轮的损失值loss和准确率accuracy，可以发现每次训练，损失值都在不断下降，准确率在不断提高
ResNet50属于监督学习类别，利用残差网络结构减轻退化问题，可实现搭建较深的网络结构，这里的样例巡行失败，报错信息显示如下
经过查阅得知，主要原因是华为云OBS中相关文件被移除或者路径更改，导致无法通过正确路径获取
5.vit图像分类样例
我们利用Vision Transformer的原理，构建vit模型进行图片推理，运行成功后，在推理文件夹infer下可以找到对应推理结果的图片
6.FCN图像语义分割样例
FCN是全卷积神经网络，我们对数据进行预处理与加载，并将数据集可视化，然后构建FCN-8s的网络，然后进行推理得到结果如下，可见语义分割成功
ShuffleNet是一种计算高效的CNN模型，既能保持精度，又能通过减小参数大大降低模型计算量，我们现在CIFAR-10的测试集上对模型进行预测，并将其可视化
SSD是单阶段的目标检测算法，对原始输入图像进行区域的随机采样，最后输出目标检测的结果
这是自然语言处理中的一个经典案例，对目标语言进行情感预测，我们对“This film is great”进行测试，运行后可得结果“positive”
此案例可以给序列中每一个token进行标注，结果用命名实体的标注方法--BIOE标注，对“清华大学坐落于首都北京”进行标注，得到结果如下
11.GAN图像生成样例
生成式对抗网络，可以通过加载生成器网络模型参数文件来生成图像
我们可以通过动漫头像数据集来训练一个生成式网络，然后用该网络生成新的动漫头像图片
13.运行llm大模型语言
Qwen
首先要在终端，在联网条件下把模型下载下来，（同时这里要关闭swap内存分区）
等到模型下载完成，系统会给一个ip，用于访问大模型应用
在firefox中打开,即可与大模型对话
Tinyllama
与上面类似，在终端启动时，第一次需要下载模型
下载完成后通过IP与大模型连接，
用同样的方法可以进行对话
DeepeekR1
与上面两个案例同理，下面展示用IP接入成功大模型后的对话测试（由于网络问题响应非常慢）
香橙派是一款集成度高，支持多数AI，拥有高算力的，但是其内部存在的问题偏多，如大部分AI样例都因为HTTP的报错而无法使用，（原因大概率因为华为丛云盘里删掉了相关资源文件）对新手不是很友好，很难进行更深一步的探索，希望官方能出一些基本的现实应用案例展示与更进一步开发的指导说明