视觉任务EdgeBoard(FZ)专用SDK集成文档

更新时间：2025-08-21

简介

本文档介绍 EasyEdge/EasyDL在EdgeBoard®边缘计算盒/Lite计算卡上的专用软件的使用流程。

EdgeBoard系列硬件可直接应用于AI项目研发与部署，具有高性能、易携带、通用性强、开发简单等四大优点。

详细硬件参数请在AI市场浏览。

EdgeBoard产品使用手册：https://ai.baidu.com/ai-doc/HWCE/Yk3b86gvp

软核版本

CPP-SDK版本	对应软核
1.3.2、1.3.4、1.3.5	1.8.1
1.3.0、1.3.1、1.3.2、1.3.4	1.8
0.5.7-1.2.1	1.5
0.5.2+	1.4

SDK升级需配合EdgeBoard硬件软核升级，建议升级软核为SDK对应版本，否则可能出现结果错误或者其他异常。

可以通过dmesg | grep "DRIVER Version"命令获取EdgeBoard当前的软核版本

Release Notes

注意*：升级完成相应的软核之后需要重启机器生效。

sdk对应的软核说明： 如果客户使用的软核是mobile版本的，需要使用1.4的SDK；如果不是mobile 版本，可以选择1.5+（目前最高版本更新至1.8.1）版本的SDK使用。

1.5+版本的软核以及sdk更新情况如下表所示：

时间	版本	说明	EdgeBoard非mobile对应的软核以及特性
2021.12.20	1.3.5	升预测引擎为PaddleLite 1.8.1,推理库支持了Ubuntu18.04文件系统	https://ai.baidu.com/ai-doc/HWCE/Fkuqounlk（含有EB升级Ubuntu18.04系统的步骤）
2021.10.15	1.3.2、1.3.4、1.3.4	推理库支持了Ubuntu18.04文件系统	https://ai.baidu.com/ai-doc/HWCE/Fkuqounlk
2021.06.29	1.3.1	视频流解析支持分辨率调整；预测引擎升级；	https://ai.baidu.com/ai-doc/HWCE/Ikqgcqt5x
2021.05.14	1.3.0	新增视频流接入支持；展示已发布模型性能评估报告	https://ai.baidu.com/ai-doc/HWCE/Ikqgcqt5x
2021.05.14	1.2.1	功能无更新	https://ai.baidu.com/ai-doc/HWCE/okqiwkm32
2020.10.29	0.5.7	预测引擎切换为PaddleLite 1.5		-
2019.12.27	0.4.5	引擎升级，支持zu5/zu3，支持EasyDL 高精度检测模型		-
2019.07.25	0.4.0	EdgeBoard SDK Release!		-

mobile软核以及sdk更新情况如下表所示： | 时间 | 版本 | 说明 |EdgeBoard mobile对应的软核以及特性 | | --- | ---- | ---- |---- |---- | |2021.05.14|1.2.1|功能无更新|https://ai.baidu.com/ai-doc/HWCE/okqiwkm32|https://ai.baidu.com/ai-doc/HWCE/Lkqiwlziw||

快速开始

开发者从EasyEdge/EasyDL下载的软件部署包中，包含了简单易用的SDK和Demo。只需简单的几个步骤，即可快速部署运行EdgeBoard计算盒。

部署包中包含多版本SDK：

baidueasyedge_linux_cpp_aarch64_EdgeBoardFZ1.8*：适用于EdgeBoard 1.5+软核
baidueasyedge_linux_cpp_aarch64_EdgeBoardFZ1.4*：适用于EdgeBoard 1.4软核

SDK文件结构

Plain Text

1baidu_easyedge_linux_cpp_aarch64_EdgeBoardFZ1.5_*
2├── ReadMe.txt
3├── bin
4│   ├── easyedge_image_inference
5│   ├── easyedge_serving
6│   └── easyedge_video_inference
7├── include
8│   └── easyedge
9├── lib
10│   ├── libeasyedge.so -> libeasyedge.so.1
11│   ├── libeasyedge.so.1 -> libeasyedge.so.1.3.1
12│   ├── libeasyedge.so.1.3.1
13│   ├── libeasyedge_static.a
14│   ├── libeasyedge_videoio.so -> libeasyedge_videoio.so.1
15│   ├── libeasyedge_videoio.so.1 -> libeasyedge_videoio.so.1.3.1
16│   ├── libeasyedge_videoio.so.1.3.1
17│   ├── libeasyedge_videoio_static.a
18│   ├── libpaddle_full_api_shared.so -> libpaddle_full_api_shared.so.1.8.0
19│   ├── libpaddle_full_api_shared.so.1.8.0
20│   ├── libverify.so -> libverify.so.1
21│   ├── libverify.so.1 -> libverify.so.1.0.0
22│   └── libverify.so.1.0.0
23├── now_sre.log
24├── src
25│   ├── CMakeLists.txt
26│   ├── cmake
27│   ├── common
28│   ├── demo_image_inference
29│   ├── demo_serving
30│   └── demo_video_inference
31└── thirdparty
32    └── opencv

1.1.0+的SDK自带OpenCV，src编译的时候会引用thirdparty/opencv路径下的头文件和库文件。

Demo使用流程

用户在AI市场购买计算盒之后，请参考以下步骤进行集成和试用。

1. 将计算盒连接电源

指示灯亮起，等待约1分钟。

参考EdgeBoard使用文档配置网口或串口连接。登录EdgeBoard计算盒。
加载驱动（开机加载一次即可）。

Plain Text

1insmod /home/root/workspace/driver/{zu9|zu5|zu3}/fpgadrv.ko

根据购买的版本，选择合适的驱动。若未加载驱动，可能报错：

Plain Text

1Failed to to fpga device: -1

设置系统时间（系统时间必须正确）

Bash

1date --set "2019-5-18 20:48:00"

2. （可选）启动HTTP服务

部署包中附带了HTTP服务功能，开发者可以进入SDK根目录，运行easyedge_serving程序启动HTTP服务。

                Bash
                
                # ./easyedge_serving {RES目录} "" {绑定的host，默认0.0.0.0} {绑定的端口，默认24401}
cd ${SDK_ROOT}
export LD_LIBRARY_PATH=./lib
./demo/easyedge_serving ../../../RES  ""

日志显示

Plain Text

12019-07-18 13:27:05,941 INFO [EasyEdge] [http_server.cpp:136] 547974369280 Serving at 0.0.0.0:24401

则启动成功。此时可直接在浏览器中输入http://{EdgeBoard计算盒ip地址}:24401/，在h5中测试模型效果。

同时，可以调用HTTP接口来访问盒子。具体参考下文接口说明。

EdgeBoard HTTP Server 目前使用的是单线程处理请求。

3. 编译运行Demo

编译：

                Bash
                
                cd src
mkdir build && cd build
cmake .. && make

运行

                Bash
                
                ./easyedge_image_inference  {RES资源文件夹路径}  {测试图片路径}

便可看到识别结果。

使用说明

使用流程

激活成功之后，有效期内可离线使用。

配置PaddleFluidConfig
新建Predictor :global_controller()->CreateEdgePredictor(config);
初始化 predictor->init()
传入图片开始识别predictor->infer(img, ...);

目前EdgeBoard暂不支持并行多模型计算。

接口说明

预测图片

                C++
                
            

                    /**
     * @brief 同步预测接口
     * inference synchronous
     * Supported by most chip and engine
     * @param image: must be BGR , HWC format (opencv default)
     * @param result
     * @param threshold
     * @return
     */
    virtual int infer(
            cv::Mat &image, std::vector<EdgeResultData> &result, float threshold = 0.1
    ) = 0;
            

识别结果说明

EdgeResultData中可以获取对应的分类信息、位置信息。

                C++
                
            

                struct EdgeResultData {
    int index;  // 分类结果的index
    std::string label;  // 分类结果的label
    float prob;  // 置信度

    // object detection field
    float x1, y1, x2, y2;  // (x1, y1): 左上角， （x2, y2): 右下角； 均为0~1的长宽比例值。
};
            

关于矩形坐标

x1 * 图片宽度 = 检测框的左上角的横坐标

y1 * 图片高度 = 检测框的左上角的纵坐标

x2 * 图片宽度 = 检测框的右下角的横坐标

y2 * 图片高度 = 检测框的右下角的纵坐标

可以参考demo文件中使用opencv绘制矩形的逻辑。

HTTP 私有服务请求说明

http 请求参数

URL中的get参数：

参数	说明	默认值
threshold	阈值过滤， 0~1	0.1

HTTP POST Body即为图片的二进制内容(无需base64, 无需json)

Python

Plain Text

1import requests
2
3with open('./1.jpg', 'rb') as f:
4    img = f.read()
5    result = requests.post(
6	    'http://127.0.0.1:24401/',
7	    params={'threshold': 0.1},
8	    data=img).json()

Cpp label=C#

Plain Text

1FileStream fs = new FileStream("./img.jpg", FileMode.Open);
2BinaryReader br = new BinaryReader(fs);
3byte[] img = br.ReadBytes((int)fs.Length);
4br.Close();
5fs.Close();
6string url = "http://127.0.0.1:8402?threshold=0.1";
7HttpWebRequest request = (HttpWebRequest)HttpWebRequest.Create(url);
8request.Method = "POST";
9Stream stream = request.GetRequestStream();
10stream.Write(img, 0, img.Length);
11stream.Close();
12
13WebResponse response = request.GetResponse();
14StreamReader sr = new StreamReader(response.GetResponseStream());
15Console.WriteLine(sr.ReadToEnd());
16sr.Close();
17response.Close();

Cpp label=C++ 需要安装curl

Plain Text

1#include <sys/stat.h>
2    #include <curl/curl.h>
3    #include <iostream>
4    #include <string>
5    #define S_ISREG(m) (((m) & 0170000) == (0100000))   
6    #define S_ISDIR(m) (((m) & 0170000) == (0040000))   
7    
8    size_t write_callback(void *ptr, size_t size, size_t num, void *data) {
9        std::string *str = dynamic_cast<std::string *>((std::string *)data);
10        str->append((char *)ptr, size*num);
11        return size*num;
12    }
13    
14    int main(int argc, char *argv[]) {
15        const char *post_data_filename = "./img.jpg";
16        FILE *fp = NULL;
17        std::string response;
18        struct stat stbuf = { 0, };
19        fp = fopen(post_data_filename, "rb");
20        if (!fp) {
21            fprintf(stderr, "Error: failed to open file "%s"
22    ", post_data_filename);
23            return -1;
24        }
25        if (fstat(fileno(fp), &stbuf) || !S_ISREG(stbuf.st_mode)) {
26            fprintf(stderr, "Error: unknown file size "%s"
27    ", post_data_filename);
28            return -1;
29        }
30        CURL *curl;
31        CURLcode res;
32        curl_global_init(CURL_GLOBAL_ALL);
33        curl = curl_easy_init();
34        if (curl != NULL) {
35            curl_easy_setopt(curl, CURLOPT_URL, "http://127.0.0.1:24401?threshold=0.1");
36            curl_easy_setopt(curl, CURLOPT_POST, 1L);
37            curl_easy_setopt(curl, CURLOPT_POSTFIELDSIZE_LARGE,(curl_off_t)stbuf.st_size);
38            curl_easy_setopt(curl, CURLOPT_READDATA, (void *)fp);
39    		curl_easy_setopt(curl, CURLOPT_WRITEFUNCTION, write_callback);
40            curl_easy_setopt(curl, CURLOPT_WRITEDATA, &response);
41            res = curl_easy_perform(curl);
42    
43            if (res != CURLE_OK) {
44                fprintf(stderr, "curl_easy_perform() failed: %s
45    ", curl_easy_strerror(res));
46            }
47            std::cout << response << std::endl; // response即为返回的json数据
48            curl_easy_cleanup(curl);
49        }
50        curl_global_cleanup();
51        fclose(fp);
52        return 0;
53    }

Java请求示例

http 返回数据

字段	类型说明	其他
error_code	Number	0为成功,非0参考message获得具体错误信息
results	Array	内容为具体的识别结果。其中字段的具体含义请参考`预测图像-返回格式`一节
cost_ms	Number	预测耗时ms，不含网络交互时间

返回示例

                JSON
                
            

                {
    "cost_ms": 52,
    "error_code": 0,
    "results": [
        {
            "confidence": 0.94482421875,
            "index": 1,
            "label": "IronMan",
            "x1": 0.059185408055782318,
            "x2": 0.18795496225357056,
            "y1": 0.14762254059314728,
            "y2": 0.52510076761245728
        },
        {
            "confidence": 0.94091796875,
            "index": 1,
            "label": "IronMan",
            "x1": 0.79151463508605957,
            "x2": 0.92310667037963867,
            "y1": 0.045728668570518494,
            "y2": 0.42920106649398804
        }
      ]
}
            

预测视频

SDK 提供了支持摄像头读取、视频文件和网络视频流的解析工具类VideoDecoding，此类提供了获取视频帧数据的便利函数。通过VideoConfig结构体可以控制视频/摄像头的解析策略、抽帧策略、分辨率调整、结果视频存储等功能。对于抽取到的视频帧可以直接作为SDK infer 接口的参数进行预测。

接口

classVideoDecoding：

Plain Text

1    /**
2     * @brief 获取输入源的下一帧
3     * @param frame_tensor
4     * @return
5     */
6    virtual int next(FrameTensor &frame_tensor) = 0;
7
8    /**
9     * @brief 显示当前frame_tensor中的视频帧
10     * @param frame_tensor
11     * @return
12     */
13    virtual int display(const FrameTensor &frame_tensor) = 0;
14
15    /**
16     * @brief 将当前frame_tensor中的视频帧写为本地视频文件
17     * @param frame_tensor
18     * @return
19     */
20    virtual int save(FrameTensor &frame_tensor) = 0;
21
22    /**
23     * @brief 获取视频的fps属性
24     * @return
25     */
26    virtual int get_fps() = 0;
27     /**
28      * @brief 获取视频的width属性
29      * @return
30      */
31    virtual int get_width() = 0;
32
33    /**
34     * @brief 获取视频的height属性
35     * @return
36     */
37    virtual int get_height() = 0;

struct VideoConfig

Plain Text

1/**
2 * @brief 视频源、抽帧策略、存储策略的设置选项
3 */
4struct VideoConfig {
5    SourceType source_type;            // 输入源类型
6    std::string source_value;          // 输入源地址，如视频文件路径、摄像头index、网络流地址
7    int skip_frames{0};                // 设置跳帧，每隔skip_frames帧抽取一帧，并把该抽取帧的is_needed置为true
8    int retrieve_all{false};           // 是否抽取所有frame以便于作为显示和存储，对于不满足skip_frames策略的frame，把所抽取帧的is_needed置为false
9    int input_fps{0};                  // 在采取抽帧之前设置视频的fps
10    Resolution resolution{Resolution::kAuto}; // 采样分辨率，只对camera有效
11
12    bool enable_display{false};
13    std::string window_name{"EasyEdge"};
14    bool display_all{false};           // 是否显示所有frame，若为false，仅显示根据skip_frames抽取的frame
15
16    bool enable_save{false};
17    std::string save_path;             // frame存储为视频文件的路径
18    bool save_all{false};              // 是否存储所有frame，若为false，仅存储根据skip_frames抽取的frame
19
20    std::map::string, std::string> conf;
21};

source_type：输入源类型，支持视频文件、摄像头、网络视频流三种，值分别为1、2、3。 source_value：若source_type为视频文件，该值为指向视频文件的完整路径；若source_type为摄像头，该值为摄像头的index，如对于/dev/video0的摄像头，则index为0；若source_type为网络视频流，则为该视频流的完整地址。 skip_frames：设置跳帧，每隔skip_frames帧抽取一帧，并把该抽取帧的is_needed置为true，标记为is_needed的帧是用来做预测的帧。反之，直接跳过该帧，不经过预测。 retrieve_all：若置该项为true，则无论是否设置跳帧，所有的帧都会被抽取返回，以作为显示或存储用。 input_fps：用于抽帧前设置fps。 resolution：设置摄像头采样的分辨率，其值请参考easyedge_video.h中的定义，注意该分辨率调整仅对输入源为摄像头时有效。 conf：高级选项。部分配置会通过该map来设置。

注意：

如果使用VideoConfig的display功能，需要自行编译带有GTK选项的opencv，默认打包的opencv不包含此项。
使用摄像头抽帧时，如果通过resolution设置了分辨率调整，但是不起作用，请添加如下选项：

Plain Text

1video_config.conf["backend"] = "2";

3.部分设备上的CSI摄像头尚未兼容，如遇到问题，可以通过工单、QQ交流群或微信交流群反馈。

具体接口调用流程，可以参考SDK中的demo_video_inference。

错误说明

SDK所有主动报出的错误，均覆盖在EdgeStatus枚举中。同时SDK会有详细的错误日志，开发者可以打开Debug日志查看额外说明：

                C++
                
                EdgeLogConfig log_config;
log_config.enable_debug = true;
global_controller()->set_log_config(log_config);

FAQ

1. 如何处理一些 undefined reference?

如：undefined reference to `curl_easy_setopt@CURL_OPENSSL_3'

可以通过安装libcurl3 libcurl-openssl1.0-dev来解决。如果开发者想不想使用低版本的openssl（如Ubuntu 18.04）, 可以link静态库easyedge_static.a，自己指定需要的Library的版本。

示例：修改CMakeList.txt

                Bash
                
                find_package(CURL REQUIRED)
target_link_libraries(easyedge_demo  ${OpenCV_LIBS} easyedge_static pthread ${CURL_LIBRARIES} paddle-mobile)

2. error while loading shared libraries: libeasyedge.so.0.4.0: cannot open shared object file: No such file or directory

类似错误包括libpaddle-mobile.so找不到。

直接运行SDK自带的二进制可能会有这个问题，设置LD_LIBRARY_PATH为SDK部署包中的lib目录即可。开发者自行使用CMake编译的二进制可以有效管理.so的依赖。

3. 使用libcurl请求http服务时，速度明显变慢

这是因为libcurl请求continue导致server等待数据的问题，添加空的header即可

                Bash
                
                headers = curl_slist_append(headers, "Expect:");

4. 预测过程中报内存不足“Killed”

此问题仅出现在ZU5，因为FZ5A带vcu，给他预留的内存过大导致，如果用不到VCU可以把这部分改小。修改/run/media/mmcblk1p1/uEnv.txt：

Plain Text

1ethaddr=00:0a:35:00:00:09
2uenvcmd=fatload mmc 1 0x3000000 image.ub && bootm 0x3000000
3
4bootargs=earlycon console=ttyPS0,115200 clk_ignore_unused cpuidle.off=1 root=/dev/mmcblk1p2 rw rootwait cma=128M

注意中间空行要保留。

5. 预测结果异常

如果购买的计算盒较早，驱动文件较旧，而SDK比较新（或SDK比较旧，但是计算盒较新），可能出现结果异常，如结果均为空或者nan。请参考“软核版本”小节更新软核和驱动版本。

6. 编译过程报错file format not recognized

Plain Text

1libeasyedge.so: file format not recognized; treating as linker script

下载的SDK zip包需要放到板子内部后，再解压、编译。

7. 提示 driver_version(1.4.0) not match paddle_lite_version(1.5.1)

需更新驱动，否则可能导致结果异常。参考“软核版本”小节。

视觉任务EdgeBoard(VMX)专用SDK集成文档

视觉任务专用辨影SDK集成开发文档

全功能AI开发平台 BML

全功能AI开发平台 BML

视觉任务EdgeBoard(FZ)专用SDK集成文档

简介

软核版本

Release Notes

快速开始

Demo使用流程

1. 将计算盒连接电源

2. （可选）启动HTTP服务

3. 编译运行Demo

使用说明

使用流程

接口说明

预测图片

识别结果说明

HTTP 私有服务请求说明

http 请求参数

http 返回数据

预测视频

错误说明

FAQ

1. 如何处理一些 undefined reference?

2. error while loading shared libraries: libeasyedge.so.0.4.0: cannot open shared object file: No such file or directory

3. 使用libcurl请求http服务时，速度明显变慢

4. 预测过程中报内存不足“Killed”

5. 预测结果异常

6. 编译过程报错file format not recognized

7. 提示 driver_version(1.4.0) not match paddle_lite_version(1.5.1)