Files

HLS TinyCNN 部署说明

本目录实现了一条不依赖 FINN/Linux 的 PYNQ-Z2 HLS 演示路线:

训练 TinyCNN -> 导出 HLS 权重头文件 -> Vitis HLS 打包 IP -> Vivado 生成 bit/hwh -> PYNQ DMA 推理

当前状态

已在 Windows 工具链上跑通:

  • Vitis HLS:F:\ZYNQ_\Vitis_HLS\2020.2\bin\vitis_hls.bat
  • Vivado:F:\ZYNQ_\Vivado\2020.2\bin\vivado.bat
  • HLS IP:hls_cnn/build/tiny_cnn_hls/solution1/impl/ip/component.xml
  • IP 压缩包:hls_cnn/ip_repo/tiny_cnn_accel.zip
  • PYNQ overlay:hls_cnn/output/tiny_cnn.bit、hls_cnn/output/tiny_cnn.hwh

注意:工程路径包含中文,Xilinx 2020.2 对非 ASCII 路径不稳定。run_hls.bat 和 run_vivado.bat 会自动复制到 C:\hls_tiny_cnn_work\hls_cnn 构建,再把产物复制回本目录。

模型与接口

TinyCNN 是一个用于上板演示的小网络,不是完整 MobileNetV2:

  • 输入:64x64 灰度图,PYNQ 端发送 uint32[4096],低 8 bit 为像素值。
  • 网络:Conv(1->8)+ReLU+MaxPool,Conv(8->16)+ReLU+MaxPool,Conv(16->32)+ReLU+MaxPool,GlobalAvgPool,FC(32->10)。
  • 输出:int32[10] logits,按 1024 倍定点缩放,PYNQ 端直接 argmax。
  • HLS 控制:s_axilite port=return,PYNQ 脚本会写 ap_start。

训练与导出

cd pc_training
python train_tiny_cnn.py --data_dir ..\data\processed --input_size 64 --epochs 150 --batch_size 32 --num_workers 0 --save_path ..\data\models\tiny_cnn.pth
cd ..
python hls_cnn\export_weights.py --model data\models\tiny_cnn.pth --test_image data\processed\val\class_0\10.jpg

本机实测:当前 TinyCNN 训练到 150 epochs 后最佳验证准确率只有 13.00%,未达到原计划的 70%。因此当前 HLS overlay 适合作为“DMA + HLS CNN + PYNQ 上板”的硬件闭环演示,不适合作为最终识别精度结果。

构建 HLS IP

hls_cnn\run_hls.bat

脚本会自动处理 Vivado/Vitis HLS 2020.2 在 2026 年日期下生成过大 core_revision 导致 IP packager 报错的问题。

当前 HLS 估算结果:

  • 时钟:100 MHz,估算周期 7.245 ns
  • 延迟:2,779,684 cycles,约 27.797 ms
  • 资源估算:BRAM 77/280,DSP 12/220,FF 3021/106400,LUT 5850/53200

生成 bitstream

hls_cnn\run_vivado.bat

生成:

hls_cnn/output/tiny_cnn.bit
hls_cnn/output/tiny_cnn.hwh

Vivado Block Design 包含:

  • processing_system7_0
  • axi_dma_0
  • tiny_cnn_accel_0
  • AXI-Lite interconnect
  • AXI memory interconnect

PYNQ 测试

把产物和测试脚本传到 PYNQ-Z2:

scp hls_cnn/output/tiny_cnn.bit xilinx@192.168.2.99:~/
scp hls_cnn/output/tiny_cnn.hwh xilinx@192.168.2.99:~/
scp fpga_deployment/tiny_cnn_inference.py xilinx@192.168.2.99:~/
scp -r data/processed/val xilinx@192.168.2.99:~/test_images

在 PYNQ 上运行:

python3 tiny_cnn_inference.py --bitstream tiny_cnn.bit --image test_images/class_0/10.jpg
python3 tiny_cnn_inference.py --bitstream tiny_cnn.bit --test_dir test_images --runs 100

后续精度改进方向

当前硬件链路已经打通,下一步应优先改模型和数据,而不是继续调 Vivado:

  • 保持 HLS 接口不变,尝试更强但仍可综合的小模型。
  • 改为二值/阈值连通域、峰值检测、传统图像特征加分类器等更贴近“光瓣数量”的算法。
  • 如果论文更看重准确率,保留 MobileNetV2/ONNX/PC 端结果作为主精度结果,HLS TinyCNN 作为 FPGA 加速演示。