## PaddlePaddle [Paddle Lite_飞桨-源于产业实践的开源深度学习平台](https://www.paddlepaddle.org.cn/paddle/paddlelite) [英特尔 FPGA 部署示例-PaddlePaddle深度学习平台](https://www.paddlepaddle.org.cn/lite/v2.10/demo_guides/intel_fpga.html)  1. Lite 预编译库[下载](https://www.paddlepaddle.org.cn/lite/v2.10/quick_start/release_lib.html) 2. 安装 python预测库 ~~~ pip install paddlelite==2.9 ~~~ 3. 通过模型可视化工具[Netron](https://github.com/lutzroeder/netron)打开文件夹下的__model__文件，查看模型结构。 https://netron.app/ 4. 开发应用程序 ~~~ https://www.paddlepaddle.org.cn/lite/v2.9/quick_start/python_demo.html 1. 声明`MobileConfig`，设置第二步优化后的模型文件路径，或选择从内存中加载模型 2. 创建`Predictor`，调用`CreatePaddlePredictor`接口，一行代码即可完成引擎初始化 3. 准备输入，通过`predictor->GetInput(i)`获取输入变量，并为其指定输入大小和输入值 4. 执行预测，只需要运行`predictor->Run()`一行代码，即可使用Lite框架完成预测执行 5. 获得输出，使用`predictor->GetOutput(i)`获取输出变量，并通过`data<T>`取得输出值 ~~~ ---- ~~~ 海云捷迅杯 一、杯赛题目：基于FPGA CNN加速器的SSD_MobileNetV1模型目标检测实现 二、参赛组别：A组、B组 三、设计任务： 1. 基于百度Paddle-lite v2.9框架①(必须)、海云捷迅自研CNN加速器(可选，也可以使用自己设计的加速器)（包含卷积、DW卷积、RELU、RELU6、量化算法，其中量化是把计算好的32位定点转为浮点再转为8位定点输出）。 2. 基于该加速器Linux驱动示例，可以看到数据重整的方法。根据算子运行位置（PS、PL）的不同，参照驱动示例来重新排列数据。 3. 基于VOC数据集进行训练。 4. 对模型在要求的设计指标内进行各种优化操作，包括剪枝、量化等。 5. 提出设计方案，实现并完成指定测试图片集的目标检测功能。 6. 基础部分60分（满足设计指标），附加部分40分（在满足设计指标的情况下，按照推理速度进行评分）。最后总分按两部分相加得到。 7. 备注：海云捷迅会提供（杯赛钉钉群内下载）： 1) FPGA配置文件 2) CNN加速器相对应的Linux驱动示例 3) Paddle-lite v2.9①、SSD_MobileNetV1②(全精度版本) 的Demo程序；驱动示例；CNN加速器FPGA配置文件 四、设计指标： 1. 模型部署完成，能正确识别图片数据。 2. 帧率不低于2帧。 3. 精度不低于65%。 ~~~ ---- ~~~ http://183.230.19.155:16789/s/bb7WcRHNq3Yq2wj fpga@2022 ~~~