快速开始

本节介绍EdgeBoard DK-1A开发板的简单流程，方便大家快速了解，具体问题详见相关章节展开。

连接显示器

使用HDMI接口的连接线一端连接板卡，另一端连接显示器。

连接键盘鼠标

将USB-TypeA接口的有线鼠标键盘接入板卡，也可使用无线键鼠的USB-TypeA接口的无线收发器接入板卡中。 本例中使用键鼠一体的USB-TypeA的无线收发器。

注：使用2.4GHz无线接收器时，建议优先接入USB2.0（内为白色端子）接口，可进一步防止干扰。

连接电源

使用5V3A电源适配器，将Type-C接口电源线接入板卡，并连接电源。板卡默认通电后自行启动。

登录桌面

使用如下初始账号密码登录桌面。

账户：EdgeBoard
密码：1234

键入密码后，回车登录桌面。

连接网络

EdgeBoard DK-1A可使用有线，或者使用WI-FI连接网络。

有线连接

EdgeBoard DK-1A板卡板载10/100/1000Mbps自适应网卡。可通过RJ-45接口连接有线网络。

WI-FI连接

EdgeBoard DK-1A板卡板载Wi-Fi芯片，支持连接2.4G/5G无线网络。 可在桌面右上角，点击网络图标，选择连接网络。

GPIO使用

例：点亮LED

本例中，将LED的GND端连接在PIN9（GND）引脚上，将LED的R端连接在PIN11引脚上（LED模块上自带了1kΩ的电阻），编程控制PIN7为输出引脚，并输出高低电平来控制LED亮灭。连接如下图所示：

相应原理图如下：

打开一个终端，执行如下命令：

sudo apt update             # 更新apt软件源
sudo apt install wiringpi   # 安装wiringpi库

gpio mode 0 out             # 设置PIN11-GPIO为输出引脚

执行如下命令：

gpio write 0 1              # 设置PIN11-GPIO输出高电平

LED被点亮。

执行如下命令：

gpio write 0 0              # 设置PIN11-GPIO输出低电平

LED熄灭。

更加详细GPIO使用说明，请参考接口介绍的GPIO章节。

AI模型推理使用

EdgeBoard DK-1A板卡具有强大的AI推理能力，支持多种AI模型。下面以目标检测为例，重点介绍EdgeBoard DK-1A板卡的AI推理使用。

例：图片分类

本例中，使用分类模型，识别图片中主体，并使用既定编号标出其所属类别。测试前后效果对比如下图所示：

label = 757 即为识别为RV（即一种车辆类型）类别。757映射RV为项目数据集ImageNet预设。

模型获取

此处使用已经训练好的模型，详情可参考模型推理中的模型生产描述。

该模型基于项目基于ResNet进行物品分类训练产出、评估和导出(版本参考：ver23.11.28 2023-11-28 19:04:02)。并经过百度技术支持完成高性能转化。

可在终端中执行如下命令，下载范例模型文件及相关物料：

cd /home/edgeboard/
sudo wget https://bj.bcebos.com/ppdeploy/ppdeploy1.1/SDK/PPDeploy1.1_resnet_PaddleClas2.5_Paddle2.4.1_Ver1.0.0_python.zip

模型部署

Step1：安装opencv依赖库及EdgeBoard DK-1A推理工具PPNC(如已安装，可跳过此步)
打开终端，执行以下命令安装PPNC。

sudo apt update
sudo apt install libopencv-dev -y
sudo apt install python3-opencv -y
sudo apt install ppnc-runtime -y

Step2：安装PaddlePaddle(如已安装，可跳过此步)
打开终端，执行以下命令安装PaddlePaddle。

cd Downloads
wget https://bj.bcebos.com/pp-packages/whl/paddlepaddle-2.4.2-cp38-cp38-linux_aarch64.whl  
sudo pip install paddlepaddle-2.4.2-cp38-cp38-linux_aarch64.whl

Step3：解压文件。 在终端输入以下命令，解压文件。

unzip PPDeploy1.1_resnet_PaddleClas2.5_Paddle2.4.1_Ver1.0.0_python.zip

Step4：安装依赖库。
在终端输入以下命令，进入resnet-python目录，并安装依赖库：

cd /home/edgeboard/resnet-python/
sudo pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

Step5：运行推理代码。

cd /home/edgeboard
sudo python3 tools/infer_demo.py --config ./model/config.json --test_image ./test_images/ILSVRC2012_val_00000014.jpeg --visualize --with_profile

Step6：查看推理结果。 在edgeboard目录下可以看到新增一个名为vis.jpg的推理结果文件。