spooNN 项目教程

1. 项目介绍

spooNN 是一个基于 FPGA 的神经网络推理项目，旨在提供从训练到部署的端到端解决方案。该项目在 2018 年和 2019 年的 Design Automation Conference (DAC) 系统设计竞赛中表现优异，获得了最高的 FPS（每秒帧数）。spooNN 支持使用 TensorFlow 进行训练，并在硬件平台上进行部署，目标硬件平台包括 PYNQ 和 ULTRA96。

2. 项目快速启动

环境准备

1. 安装依赖：

   • Python 3.x
   • TensorFlow
   • Vivado HLS
   • PYNQ 或 ULTRA96 开发板

2. 克隆项目：

   git clone https://github.com/fpgasystems/spooNN.git
   cd spooNN
   

3. 训练模型： 进入 mnist-cnn 目录，运行训练脚本：

   cd mnist-cnn
   python train.py
   

4. 部署到 FPGA： 使用 Vivado HLS 将训练好的模型部署到 FPGA 上。具体步骤请参考项目文档。

3. 应用案例和最佳实践

案例一：MNIST 手写数字识别

在 mnist-cnn 目录下，项目提供了一个完整的端到端流程，包括训练、实现和 FPGA 部署。通过这个案例，用户可以快速上手并理解如何将神经网络模型部署到 FPGA 上。

案例二：对象检测

在 halfsqueezenet 和 recthalfsqznet 目录下，项目展示了如何在 PYNQ 和 ULTRA96 平台上进行对象检测。这些网络在 DAC 竞赛中表现优异，提供了高 FPS 和低功耗的最佳实践。

4. 典型生态项目

PYNQ

PYNQ 是一个开源项目，旨在简化 FPGA 的使用。通过 PYNQ，用户可以使用 Python 语言和 Jupyter Notebook 来开发和部署 FPGA 应用。spooNN 项目充分利用了 PYNQ 的特性，使得神经网络推理更加便捷。

ULTRA96

ULTRA96 是 96Boards 社区推出的一款高性能 FPGA 开发板。spooNN 项目支持在 ULTRA96 上进行部署，为用户提供了更多的硬件选择。

通过这些生态项目的支持，spooNN 能够更好地满足不同用户的需求，提供灵活且高效的神经网络推理解决方案。