Vitis AI 模型 FPGA 部署实战指南
在边缘 AI 推理场景中，GPU 功耗高且云端延迟大，FPGA 结合 Vitis 提供了高效的硬件加速方案。Xilinx（现 AMD）推出的 Vitis 统一平台允许使用 C/C++ 甚至 Python 描述算法，通过高层次综合（HLS）自动生成硬件电路。配套的 Vitis AI 工具链专为深度学习推理优化，支持从 TensorFlow/PyTorch 导出的模型一键量化、编译并部署到 Zynq SoC 或 Alveo 加速卡上。
环境搭建
版本兼容性是第一道坎。推荐配置如下：
- 主机系统：Ubuntu 20.04
- Vitis 版本：2023.1
- Vitis AI：3.0
- 目标平台：Kria KV260 SOM
安装顺序：
- 安装 Vivado/Vitis，勾选'Vitis Embedded Development'。
- 配置 Vitis AI Docker 镜像。
docker pull xilinx/vitis-ai:latest
docker run -it --gpus all --rm --name vitis-ai \
-v /path/to/your/model:/workspace \
xilinx/vitis-ai:latest
提示：务必确认 XRT（Xilinx Runtime）、DPU 固件和 Vitis 版本匹配，否则
.xclbin加载会失败。
模型导出
将训练好的 PyTorch 模型转换为 ONNX 格式。以 MobileNetV2 为例：
import torch
import torchvision
# 加载预训练模型
model = torchvision.models.mobilenet_v2(pretrained=True)
model.eval()
# 构造 dummy input
dummy_input = torch.randn(1, 3, 224, 224)
# 导出 ONNX
torch.onnx.export(
model, dummy_input, "mobilenet_v2.onnx",
input_names=["input"], output_names=["output"],
opset_version=13, do_constant_folding=True
)
关键点：
opset_version=13是为了兼容 Vitis AI 对动态 shape 的支持。- 确保所有操作都是静态图可追踪的（避免 Python 控制流）。
模型量化
FPGA 资源有限，FP32 模型直接跑不起来，必须进行 INT8 量化。Vitis AI 提供两阶段流程：校准（Calibration）与量化（Quantization）。
执行命令：
vai_q_onnx quantize \
--model mobilenet_v2.onnx \
--calibration_dataset ./calib_images \
--quant_mode calibrate \
--deploy_model_dir quantized/
