边缘 AI 推理的新路径
在边缘计算场景中，GPU 功耗过高，云端延迟又难以满足实时性要求。FPGA 凭借高并行度和低功耗特性，成为理想的硬件加速方案。借助 Xilinx（现 AMD）的 Vitis 统一平台，开发者可以用 C/C++ 或 Python 描述算法，通过高层次综合（HLS）自动生成硬件电路，大幅降低了 FPGA 开发门槛。
本文记录将 PyTorch 模型部署至 Kria KV260 开发板的完整流程，涵盖环境搭建、模型量化、DPU 编译及板端验证，旨在提供一套可复用的工程实践参考。
为什么选择 FPGA + Vitis？
传统 FPGA 开发涉及 Verilog 与时序约束，学习曲线陡峭。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。
实测数据显示，在 KV260 上运行 ResNet-50，INT8 量化后推理速度超过 1200 FPS，功耗仅 5W 左右。对于摄像头、机器人等边缘设备，这种能效比具有显著优势。
部署全流程实战
整个链路可分为五个阶段：环境配置 → 模型导出 → 量化校准 → 编译生成 → 板端运行。
环境准备
版本兼容性是首要问题。建议配置如下：
- 主机系统：Ubuntu 20.04
- Vitis 版本：2023.1
- Vitis AI：3.0
- 目标平台：Kria KV260 SOM
安装顺序至关重要，先装 Vivado/Vitis，勾选'Vitis Embedded Development'，再配置 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：务必确认 XRT（Xilinx Runtime）、DPU 固件和 Vitis 版本匹配，否则后续加载
.xclbin会失败。
模型导出
假设已有一个训练好的分类模型（如 MobileNetV2），需将其转换为 ONNX 中间格式。
import torch
import torchvision
model = torchvision.models.mobilenet_v2(pretrained=True)
model.eval()
dummy_input = torch.randn(1, 3, 224, 224)
torch.onnx.export(
model, dummy_input, "mobilenet_v2.onnx",
input_names=["input"], output_names=["output"],
opset_version=13, do_constant_folding=True
)
关键点在于 opset_version=13，这有助于兼容 Vitis AI 对动态 shape 的支持。同时确保所有操作都是静态图可追踪的，避免使用 Python 控制流。
量化校准
FPGA 资源有限，FP32 模型无法直接运行，必须进行 INT8 量化。这一步直接影响最终精度。
Vitis AI 采用两阶段流程：先用少量无标签数据统计激活值分布（校准），再根据统计结果确定缩放因子（量化）。
vai_q_onnx quantize \
--model mobilenet_v2.onnx \
--calibration_dataset ./calib_images \
--quant_mode calibrate \
--deploy_model_dir quantized/
