引言：边缘 AI 的 FPGA 选择
在边缘 AI 推理项目中，常面临 GPU 功耗过高、端侧算力不足，或云端延迟无法满足实时性要求的困境。转向 FPGA 后，借助 Xilinx（现 AMD）的 Vitis 统一平台，开发门槛显著降低。通过高层次综合（HLS），我们可以用 C/C++ 甚至 Python 描述算法，自动生成硬件电路。
配合 Vitis AI 工具链，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。这意味着即使不会写 Verilog，只要掌握模型训练，就能构建硬件加速引擎。实测显示，在 Kria KV260 上运行 ResNet-50，INT8 量化后推理速度可达 1200 FPS，功耗仅 5W 左右。
核心架构与优势
DPU（Deep Learning Processing Unit）是 FPGA 中专门用于深度学习推理的 IP 核。不同于 CPU 的高频串行执行，DPU 采用空间计算架构，将大量 MAC 单元排成阵列，单周期内完成整块卷积运算。
以 DPUCZDX8G 为例，其核心设计包括：
| 模块 | 功能 |
|---|---|
| 指令控制器 | 解析来自 CPU 的任务指令 |
| 权重缓存（SRAM） | 存储当前层卷积核，减少 DDR 访问 |
| 特征图缓存 | 缓冲输入输出特征图 |
| MAC 阵列 | 并行执行 CONV/DWCONV/POOL 等操作 |
这种设计使得数据搬运几乎不依赖外部 DDR，极大降低了带宽压力。性能表现方面，ResNet-50 (INT8) 可达约 1200 FPS，能效比超过 2 TOPS/W。
部署流程详解
整个流程可拆分为环境搭建、模型导出、量化校准、编译生成、板端运行五个阶段。
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
安装顺序建议先装 Vivado/Vitis，勾选'Vitis Embedded Development'，再配置 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
注意确认 XRT（Xilinx Runtime）、DPU 固件和 Vitis 版本匹配，否则 .xclbin 加载会失败。
模型导出为 ONNX
假设已有训练好的分类模型（如 MobileNetV2），需将其转换为中间格式。
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, ,
input_names=[], output_names=[],
opset_version=, do_constant_folding=
)
