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:
2,779,684cycles,约27.797 ms - 资源估算:BRAM
77/280,DSP12/220,FF3021/106400,LUT5850/53200
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_0axi_dma_0tiny_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。